基于蛇群优化算法和CNN算法的人工林病虫害识别方法技术

本发明专利技术公开了一种基于蛇群优化算法和CNN算法的人工林病虫害识别方法，包括以下步骤：获取人工林树木图像数据集；从树木图像中提取树叶图像特征；搭建人工林病虫害识别CNN神经网络；基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数；将人工林树木图像数据集中的树叶图像特征作为输入用于训练具有最优结构参数的人工林病虫害识别CNN神经网络；训练完成的人工林病虫害识别CNN神经网络用以判断待识别的树木图像是否为健康树木或者图像中树叶受病虫害的程度。本发明专利技术采用基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数，进而可以准确的识别出人工林是否受病虫害及受病虫害的程度。工林是否受病虫害及受病虫害的程度。工林是否受病虫害及受病虫害的程度。

【技术实现步骤摘要】
基于蛇群优化算法和CNN算法的人工林病虫害识别方法


[0001]本专利技术涉及一种人工林病虫害识别方法，具体为基于蛇群优化算法和CNN算法的人工林病虫害识别方法。

技术介绍

[0002]人工林单一树种的特点使其树叶易受病虫害袭击且病虫害蔓延速度极快。病虫害对人工林造成了严重的经济损失，还对生态环境造成了很大的影响。传统的人工林树叶病虫害识别往往依靠实地考察与经验分析，空间局限性很大，很难及时判断出病虫害的出现和程度。随着深度学习的发展与兴起，其在病虫害识别领域的应用越来越多。其中一种方法是以人工林树木图像数据集为输入，训练卷积神经网络，使其能准确识别图像中树叶病虫害的发生程度。卷积神经网络的结构参数的是影响识别性能的重要因素，但其往往很难确定，是神经网络搭建的一个难题。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对上述现有技术的不足提供一种基于蛇群优化算法和CNN算法的人工林病虫害识别方法，本基于蛇群优化算法和CNN算法的人工林病虫害识别方法采用基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数，进而可以准确的识别出人工林树木中树叶是否受病虫害及受病虫害的程度。
[0004]为实现上述技术目的，本专利技术采取的技术方案为：
[0005]一种基于蛇群优化算法和CNN算法的人工林病虫害识别方法，包括以下步骤：
[0006](1)获取人工林树木图像数据集，包括健康的树木图像以及受不同程度病虫害的树木图像；
[0007](2)从所有树木图像中分别提取树叶图像特征；
[0008](3)搭建人工林病虫害识别CNN神经网络；
[0009](4)基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数；将人工林树木图像数据集中的树叶图像特征作为输入用于训练具有最优结构参数的人工林病虫害识别CNN神经网络；
[0010](5)采集待识别的树木图像，提取待识别的树木图像中树叶图像特征，将待识别的树木图像中的树叶图像特征输入至训练完成的人工林病虫害识别CNN神经网络，从而判断待识别的树木图像中树叶受病虫害的程度。
[0011]作为本专利技术进一步改进的技术方案，所述的树叶图像特征包括颜色特征、纹理特征、形状特征和空间关系特征。
[0012]作为本专利技术进一步改进的技术方案，所述人工林病虫害识别CNN神经网络的输出为受病虫害的树叶面积占树叶总面积的百分数。
[0013]作为本专利技术进一步改进的技术方案，所述人工林病虫害识别CNN神经网络依次包括输入层、第一卷积层、池化层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、全
连接层和输出层。
[0014]作为本专利技术进一步改进的技术方案，所述基于蛇群优化算法获取CNN神经网络的最优结构参数包括：
[0015](4.1)、设置参数数量和最大迭代次数：
[0016](4.2)、初始化蛇群，计算个体适应度的值，并将初始蛇群等分为雄蛇和雌蛇；
[0017](4.3)、计算食物量Q及温度Temp，判断当前所属阶段：
[0018](4.3.1)、勘探阶段：当Q<0.25时，雄蛇和雌蛇分别寻找食物，并移动位置；执行步骤(4.4)；
[0019](4.3.2)、开发阶段：当Q>0.25，Temp>0.6时，雄蛇和雌蛇均移向食物；执行步骤(4.4)；
[0020](4.3.3)、开发阶段：当Q>0.25，Temp<0.6时，蛇会进行战斗模式或交配模式；蛇卵孵化，参照灰狼算法，用新个体替代原种群中适用度最差的个体；执行步骤(4.4)；
[0021](4.4)判断是否达到最大迭代次数，若没有，则迭代次数加1并返回(4.3)，否则，则输出当前蛇群的适用度最优个体的位置作为人工林病虫害识别CNN神经网络的最优结构参数。
[0022]作为本专利技术进一步改进的技术方案，当前蛇群的适用度最优个体的位置X＝(a1，b1，c1，a2，b2，c2，a3，b3，c3，a4，b4，c4，η)，其中a1表示第一卷积层的通道数量，b1表示第一卷积层的大小，c1表示第一卷积层的步长，a2表示第二卷积层的通道数量，b2表示第二卷积层的大小，c2表示第二卷积层的步长，a3表示第三卷积层的通道数量，b3表示第三卷积层的大小，c3表示第三卷积层的步长，a4表示第四卷积层的通道数量，b4表示第四卷积层的大小，c4表示第四卷积层的步长，η表示学习率。
[0023]本专利技术的有益效果为：
[0024]本专利技术利用蛇群优化算法获得CNN卷积神经网络的卷积核参数，减少了CNN网络参数的调节时间，节省了人力物力，提高了识别的效率与准确性，解决了现有技术中神经网络结构参数难以确定的问题。通过本专利技术的CNN网络可以准确的识别出人工林树叶是否受病虫害及受病虫害的程度。
附图说明
[0025]图1为本专利技术的流程示意图。
[0026]图2为本专利技术蛇群优化算法的流程示意图。
[0027]图3为本专利技术CNN算法流程示意图。
具体实施方式
[0028]下面根据附图对本专利技术的具体实施方式作出进一步说明：
[0029]如图1所示，一种基于蛇群优化算法和CNN算法的人工林病虫害识别方法，包括以下步骤：
[0030](1)获取人工林树木图像数据集，包括健康的树木图像以及受不同程度病虫害的树木图像。
[0031](2)从树木图像中提取树叶图像特征；所述的树叶图像特征包括颜色特征、纹理特
征、形状特征和空间关系特征等。
[0032](3)搭建人工林病虫害识别CNN神经网络的结构。
[0033](4)基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数；以蛇群优化算法的结果为人工林病虫害识别CNN神经网络算法的最优结构参数，将人工林树木图像数据集中树木图像的树叶图像特征作为输入，树木图像中受病虫害的树叶面积占树叶总面积的百分数作为输出，进而训练具有最优结构参数的人工林病虫害识别CNN神经网络。
[0034](5)采集待识别的树木图像，提取待识别的树木图像中树叶图像特征，将待识别的树木图像中的树叶图像特征输入至训练完成的人工林病虫害识别CNN神经网络，从而判断待识别的树木图像中树叶受病虫害的程度。其中树木图像中树叶受病虫害的程度为树木图像中受病虫害的树叶面积占树叶总面积的百分数。人工林病虫害识别CNN神经网络的输出为受病虫害的树叶面积占树叶总面积的百分数y，y为一个大于等于0小于等于1的数。当y等于0时，树木图像为健康的树木图像。
[0035]其中，如图2所示，基于蛇群优化算法获取CNN神经网络的最优结构参数包括：
[0036](4.1)、设置参数数量和最大迭代次数，初始化蛇群：
[0037]X
i
＝X
min
+r
×
(X
max
‑
X本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蛇群优化算法和CNN算法的人工林病虫害识别方法，其特征在于，包括以下步骤：(1)获取人工林树木图像数据集，包括健康的树木图像以及受不同程度病虫害的树木图像；(2)从所有树木图像中分别提取树叶图像特征；(3)搭建人工林病虫害识别CNN神经网络；(4)基于蛇群优化算法获取人工林病虫害识别CNN神经网络的最优结构参数；将人工林树木图像数据集中的树叶图像特征作为输入用于训练具有最优结构参数的人工林病虫害识别CNN神经网络；(5)采集待识别的树木图像，提取待识别的树木图像中树叶图像特征，将待识别的树木图像中的树叶图像特征输入至训练完成的人工林病虫害识别CNN神经网络，从而判断待识别的树木图像中树叶受病虫害的程度。2.根据权利要求1所述的基于蛇群优化算法和CNN算法的人工林病虫害识别方法，其特征在于，所述的树叶图像特征包括颜色特征、纹理特征、形状特征和空间关系特征。3.根据权利要求1所述的基于蛇群优化算法和CNN算法的人工林病虫害识别方法，其特征在于，所述人工林病虫害识别CNN神经网络的输出为受病虫害的树叶面积占树叶总面积的百分数。4.根据权利要求1所述的基于蛇群优化算法和CNN算法的人工林病虫害识别方法，其特征在于，所述人工林病虫害识别CNN神经网络依次包括输入层、第一卷积层、池化层、第二卷积层、池化层、第三卷积层、池化层、第四卷积层、全连接层和输出层。5.根据权利要求4所述的基于蛇群优化算法和CNN算法的人工林病虫害识别方法，其特征在于，所述基于蛇群优化算法获取CNN神经网络的最优结构参数包括：(4.1)、设...

【专利技术属性】
技术研发人员：刘贝贝，王道炅，刘小渲，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：