一种基于深度学习的农作物病虫害移动端识别方法技术

本发明专利技术涉及病虫害识别技术领域，具体涉及一种基于深度学习的农作物病虫害移动端识别方法，通过在PC端使用农作物病虫害图片数据集对Resnet50卷积神经网络进行训练，获得训练后的农作物病虫害识别模型，并通过API接口在云端部署，结合应用程序，实现了在移动端提交图片即可对农作物病虫害进行精确识别的功能，同时建集农作物病虫害识别、诊断、农作物专家咨询问答、农业小课堂、农业社交于一体的农作物病虫害识别应用程序，实现了高准确率地机器视觉农作物病虫害诊断，以及专家问诊、信息交互一站式服务。一站式服务。一站式服务。

【技术实现步骤摘要】
一种基于深度学习的农作物病虫害移动端识别方法


[0001]本专利技术涉及病虫害识别
，具体涉及一种基于深度学习的农作物病虫害移动端识别方法。

技术介绍

[0002]农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。我国农作物常见的有以下种类的病虫害：稻飞虱、白粉病、玉米螟、棉铃虫、小麦锈病、棉蚜、稻纹枯病、稻瘟病、麦蚜、麦红蜘蛛、蝗虫、麦类赤霉病等，已成为严重影响我国农业生产的重大病虫害。人们通常把为害各种植物的昆虫和螨类等称为害虫，把由它们引起的各种植物伤害称为虫害。虫害的特点是为害速度快，损失程度重，防控难度大。在害虫防治实践中，首先要正确识别益虫和害虫，能够很好地利用益虫和控制害虫。其次要掌握昆虫的一般形态特征及其生长发育规律，找到昆虫生活的弱点对其防治，达到事半功倍的效果。而现实生活中，农作物数量极为庞大，在农田内检查、识别并确定害虫种类是一件极困难的事，害虫大多体积轻便，依靠人力在辽阔的农田内确认是否有害虫存在及其耗费人力，且效果不佳。
[0003]传统的农业病虫害检测技术，完全取决于人对农作物的主观经验，这种方法速度慢，准确率无法得到有效保证，造成整体检测的效率偏低。随着深度学习概念的提出和发展，图像目标的识别率和速度都明显提高。
[0004]但目前基于深度学习的农作物病虫害识别方法在移动端的应用功能尚不完善，在移动端缺乏普适的、通用的、抗环境噪声的智能识别诊断系统，同时缺乏集农作物病虫害识别、诊断、专家咨询问答、农学小课堂、农业社交于一体的农作物病虫害识别应用程序。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的农作物病虫害移动端识别方法，在移动端利用人工智能领域的残差神经网络算法对农作物病虫害进行精确识别，构建农作物病虫害识别、诊断、专家咨询问答、农学小课堂、农业社交于一体的农作物病虫害识别应用。
[0006]为实现上述目的，本专利技术提供了一种基于深度学习的农作物病虫害移动端识别方法，包括下列步骤：
[0007]在PC端建立农作物病虫害图片数据集并进行预处理；
[0008]构建Resnet50卷积神经网络；
[0009]训练农作物病虫害识别模型；
[0010]将训练好的农作物病虫害识别模型部署至云端API；
[0011]搭建移动端应用程序并将训练好的农作物病虫害识别模型部署在所述移动端应用程序内；
[0012]通过移动端设备采集图像进行农作物病虫害识别。
[0013]其中，在PC端建立农作物病虫害图片数据集并进行预处理的过程中，收集各种农
作物病虫害的图片数据并按照不同的农作物病虫害进行分类以建立农作物病虫害数据集，对数据集进行预处理，并将预处理后的数据集划分为训练集和测试集。
[0014]其中，对数据集进行预处理的过程，具体为通过python程序将所有农作物病虫害的图片与对应的标签一一对应，并写入一个txt文档中，txt文档用于读取数据来训练，其中划分训练集和测试集的比例为9:1。
[0015]其中，所述Resnet50卷积神经网络基于ResNet50的网络结构使用函数的方法构建，包括49个卷积层和1个全连接层，网络的输入为224*224*3，输出为7*7*2048。
[0016]其中，在训练农作物病虫害识别模型的过程中，首先将Resnet50卷积神经网络在ImageNet数据集上训练得到的参数通过迁移学习的方法迁移到所述Resnet50卷积神经网络上，并使用农作物病虫害图片数据集对其进行进一步的训练，加强模型对农作物病虫害的特征提取能力，最后在测试集上以精确率、召回率、F分值和准确率衡量指标进行测试验证性能有效性。
[0017]其中，将训练好的农作物病虫害识别模型部署至云端API的过程，包括下列步骤：
[0018]将预测代码放至云端ecs；
[0019]在云服务器上搭建模型推理所需pytorch环境；
[0020]搭建http服务端，设置路由路径并映射到处理函数；
[0021]在处理函数里接收并且预测图片；
[0022]通过http返回预测结果。
[0023]其中，所述基于深度学习的农作物病虫害移动端识别方法中包括PC端、云端和移动端三个执行部分，其中PC端进行深度学习以及训练农作物病虫害识别模型，云端用于保存及部署模型和应用程序，移动端用于采集图像和实现用户交互操作。
[0024]本专利技术提供了一种基于深度学习的农作物病虫害移动端识别方法，通过在PC端使用农作物病虫害图片数据集对Resnet50卷积神经网络进行训练，获得训练后的农作物病虫害识别模型，并通过API接口在云端部署，结合应用程序，实现了在移动端提交图片即可对农作物病虫害进行精确识别的功能，同时建集农作物病虫害识别、诊断、农作物专家咨询问答、农业小课堂、农业社交于一体的农作物病虫害识别应用程序，实现了高准确率地机器视觉农作物病虫害诊断，以及专家问诊、信息交互一站式服务。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本专利技术的一种基于深度学习的农作物病虫害移动端识别方法的流程示意图。
[0027]图2是本专利技术的整体框架流程图。
[0028]图3是本专利技术的ResNet50网络结构示意图。
[0029]图4是本专利技术的具体实施例的移动端应用程序页面示意图。
具体实施方式
[0030]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0031]请参阅图1，本专利技术提供了一种基于深度学习的农作物病虫害移动端识别方法，包括下列步骤：
[0032]S1：在PC端建立农作物病虫害图片数据集并进行预处理；
[0033]S2：构建Resnet50卷积神经网络；
[0034]S3：训练农作物病虫害识别模型；
[0035]S4：将训练好的农作物病虫害识别模型部署至云端API；
[0036]S5：搭建移动端应用程序并将训练好的农作物病虫害识别模型部署在所述移动端应用程序内；
[0037]S6：通过移动端设备采集图像进行农作物病虫害识别。
[0038]所述基于深度学习的农作物病虫害移动端识别方法中包括PC端、云端和移动端三个执行部分，其中PC端进行深度学习以及训练农作物病虫害识别模型，云端用于保存及部署模型和应用程序，移动端用于采集图像和实现用户交互操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的农作物病虫害移动端识别方法，其特征在于，包括下列步骤：在PC端建立农作物病虫害图片数据集并进行预处理；构建Resnet50卷积神经网络；训练农作物病虫害识别模型；将训练好的农作物病虫害识别模型部署至云端API；搭建移动端应用程序并将训练好的农作物病虫害识别模型部署在所述移动端应用程序内；通过移动端设备采集图像进行农作物病虫害识别。2.如权利要求1所述的基于深度学习的农作物病虫害移动端识别方法，其特征在于，在PC端建立农作物病虫害图片数据集并进行预处理的过程中，收集各种农作物病虫害的图片数据并按照不同的农作物病虫害进行分类以建立农作物病虫害数据集，对数据集进行预处理，并将预处理后的数据集划分为训练集和测试集。3.如权利要求2所述的基于深度学习的农作物病虫害移动端识别方法，其特征在于，对数据集进行预处理的过程，具体为通过python程序将所有农作物病虫害的图片与对应的标签一一对应，并写入一个txt文档中，txt文档用于读取数据来训练，其中划分训练集和测试集的比例为9:1。4.如权利要求1所述的基于深度学习的农作物病虫害移动端识别方法，其特征在于，所述Resnet50卷积神经网络基于ResNet50的网络结构使用函数的方法构建，包括49个卷积层和1个全连接层...

【专利技术属性】
技术研发人员：王伟任，
申请(专利权)人：广西万维空间科技集团有限公司，
类型：发明
国别省市：