基于深度学习的植物病虫害识别方法
专利汇可以提供基于深度学习的植物病虫害识别方法专利检索，专利查询，专利分析的服务。并且基于 深度学习 的 植物 病虫害识别方法，涉及植物 病虫害防治 领域，解决了现有 农作物 病虫害分类识别方法存在的 图像识别 率低、模型结构复杂、预测精准度低的问题。本 发明 包括：采集植物病虫害 叶片 图像和正常植物叶片图像；图像预处理，得到超 分辨率 植物病虫害叶片目标图像；通过深度学习 算法 对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。本发明图像识别率高、模型结构简单、预测精准度高。，下面是基于深度学习的植物病虫害识别方法专利的具体信息内容。
1.基于深度学习的植物病虫害识别方法，其特征在于，包括以下步骤：
步骤一、采集植物病虫害叶片图像和正常植物叶片图像；
步骤二、图像预处理，得到超分辨率植物病虫害叶片目标图像；
步骤三、通过深度学习算法对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；
步骤四、通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；
步骤五、利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。
2.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤一中，图像的采集方法选自以下其中一种：
(1)相机拍摄；
(2)网页下载；
(3)手机App下载。
3.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二中，图像预处理具体包括以下步骤：
(1)统一图像尺寸和格式；
(2)将植物病虫害叶片图像和正常植物叶片图像分别进行傅立叶变换得到对应的傅立叶变换谱S1(x,y)和S2(x,y)；
(3)利用傅立叶变换谱计算目标函数，公式如下：
*
式中，I1(x,y)为植物病虫害叶片图像的光学传递函数，I1 (x,y)为I1(x,y)的复共轭，I2(x,y)为正常植物叶片图像的光学传递函数，I2*(x,y)为I2(x,y)的复共轭；
(4)利用目标函数和共轭梯度算法计算出泽尼克像差系数αi，利用泽尼克像差系数αi计算像差分布，通过像差分布得到植物病虫害叶片目标图像，对植物病虫害叶片目标图像进行维纳滤波处理，得到清晰的植物病虫害叶片目标图像；
(5)采用三次B样条插值算法计算出待插值点的像素值，在清晰的植物病虫害叶片目标图像的空间域进行插值处理，得到超分辨率植物病虫害叶片目标图像。
4.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(1)中，图像尺寸为640x480，RGB制式，格式为jpg、png、gif或tif。
5.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(3)中，I1(x,y)和I2(x,y)的表达式如下所示：
I1(x,y)＝D1(x,y)×D1(x,y)；
I2(x,y)＝D2(x,y)×D2(x,y)；
式中，D1(x,y)和D2(x,y)为对应的系统光学传递函数，其表达式如下所示：
D1(x，y)＝B(x，y)exp{j[φ(x，y)+Δφ1(x，y)]}
D2(x，y)＝B(x，y)exp{j[φ(x，y)+Δφ2(x，y)]}
式中，B(x,y)表示光瞳的二值函数，φ(x，y)表示广义光瞳的相位差函数，Δφ1(x，y)和Δφ2(x，y)均表示对应的离焦产生的相位差函数。
φ(x，y)表示成泽尼克多项式的形式如下所示：
Δφ1(x，y)和Δφ2(x，y)的表达式如下所示：
式中，λ表示入射光波长，f表示系统的焦距，ΔZ1和ΔZ2均表示离焦距离。
6.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(4)中，利用目标函数和共轭梯度算法计算出泽尼克像差系数αi的具体过程如下：
(1)根据上述的目标函数的表达式，设定初始值x(0)及精度为ε；(2)计算g(0)＝▽f(x0)，g(0)为在点x(0)处目标函数的梯度函数▽f(x0)；(3)判断，若g(0)的绝对值小于设定的精度ε，则最终解x*＝x(0)，停止算法；(4)若g(0)的绝对值大于设定的精度ε，则令p(0)＝-g(0)；(5)采用一维搜索获得最优补偿因子tk；(6)令x(k+1)＝x(k)+tkp(k)，计算在点x(k+1)处目标函数的梯度函数值g(k+1)；(7)判断，若g(k+1)的绝对值小于设定的精度ε，则停止迭代，最终解x*＝x(k+1)；(8)若g(k+1)的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0)＝x(k+1)，g(0)＝g(k+1)，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g(k+1)||2/||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
7.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤三具体包括以下步骤：
(1)采用HOG特征提取法提取植物病虫害图像特征，将超分辨率植物病虫害叶片目标图像分割成多个连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将梯度或边缘的直方图组合起来构成植物病虫害图像特征；
(2)利用基于网络的WaveCluster聚类算法对植物病虫害图像特征进行种类重新划分，使具有相似特征的图片归为一类，生成类别标签；
(3)利用决策树分类算法对类别标签进行分类预测，通过特征选择、决策树生成和决策树修剪得到预测结果。
8.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤四具体包括以下步骤：
(1)构建并训练深度学习网络模型；
(2)利用深度学习网络模型训练正常植物叶片图像并生成模型参数；
(3)将模型参数迁移至新的深度学习网络模型，得到基于深度学习网络的植物病虫害识别模型。
9.根据权利要求8所述的基于深度学习的植物病虫害识别方法，其特征在于，所述深度学习网络模型由至少一层卷积层、两条全连接流和一层病虫害分类层组成；两条全连接流位于卷积层之后；每一条全连接流由至少一层全连接层构成；全连接层的最后一层的神经元个数与对应的植物病虫害叶片图像种类数量、正常植物叶片图像种类数量均相同；病虫害分类层位于两条全连接流之后。
10.根据权利要求9所述的基于深度学习的植物病虫害识别方法，其特征在于，所述病虫害分类层中的每一类分别对应一种植物病虫害。
基于深度学习的植物病虫害识别方法
技术领域
背景技术
发明内容
(5)采用一维搜索获得最优补偿因子tk； (6)令x(k+1)＝x(k)+tkp(k)，计算在点x(k+1)处目标函数的梯度函数值g(k+1)；(7)判断，若g(k+1)的绝对值小于设定的精度ε，则停止迭代，最终解x*＝x(k+1)；(8) 若g(k+1)的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0) (k+1) (0) (k+1) (k+1) 2
＝x ，g ＝g ，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g || /||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
具体实施方式
＝x ；(8) 若g 的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0)＝x(k+1)，g(0)＝g(k+1)，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g(k+1)||2/||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种防治草地贪夜蛾农药的药剂及其制备方法 | 2020-05-08 | 470 |
| 一种水产养殖用复合型水质改良剂及其制备方法 | 2020-05-08 | 193 |
| 一种农业灌溉系统装置 | 2020-05-08 | 682 |
| 一种作物表型监测装置及系统 | 2020-05-08 | 325 |
| 一种升降式田间夜间增温装置 | 2020-05-08 | 471 |
| 一种微生物菌肥滴管系统 | 2020-05-08 | 536 |
| 一种智能型中耕施肥机 | 2020-05-11 | 170 |
| 一种流体式直播橡胶草种植装置 | 2020-05-11 | 816 |
| 一种大棚智能监控系统 | 2020-05-08 | 933 |
| 用于农学领域的简易经济作物果实采摘装置 | 2020-05-08 | 467 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
