1.一种基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,包括如下步骤:步骤1、获取各个种类的农作物病虫害图像,制作农作物病虫害样本数据集;
步骤2、构建图像智能处理IPS模块,用于对输入图像进行预处理;
步骤3、搭建基于InheritfeatNet算法的农作物病虫害识别分类网络模型;
步骤4、训练并优化所搭建的农作物病虫害识别分类网络模型;
步骤5、对训练好的农作物病虫害识别分类网络模型进行模型评估,输出并保存评估性能良好的模型;
步骤6、利用训练完成的农作物病虫害识别分类网络模型对输入图像进行识别;图像的获取和识别过程中,为用户提供智能化反馈。
2.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤1中,制作的样本数据集包括已有的各个种类的农作物病虫害数据库中的公开数据集和通过设备实地拍摄采集的农作物病虫害图片;样本数据集为带标签的农作物病虫害数据集,包括不同农作物不同的发病时间、不同的发病部位和不同生长阶段所采集的不同病虫害数据。
3.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤2的具体过程如下:步骤2.1、首先判断图像主体是否模糊,使用Sobel检测算子提取图像水平和垂直方向的梯度值,根据Tenengrad评价函数,对输入图像的模糊程度进行评估,具体公式如下:其中,(x,y)为二维图像中的边缘点坐标,Sobel(x,y)表示图像在(x,y)点处的梯度,Gx、Gy分别为横向、纵向边缘检测的图像灰度值,I(x,y)代表原始图像;Tenengrad表示图像清晰度评价指数,n表示图像中的像素总数;
步骤2.2、采用角度测定法判别图像是否存在歪斜;角度测定法具体过程如下:定义alpha为设备水平放置时,绕Z轴旋转的角度;beta为设备水平放置时,绕X轴旋转的角度;
gamma为移动设备水平放置时,绕Y轴旋转的角度;若当前图像的gamma超出设定范围时,则判定为存在歪斜情况;
步骤2.3、根据评估结果对图像进行相应处理;
综合步骤2.1和步骤2.2的检测共得到四种评估结果:清晰歪斜,清晰不歪斜,模糊不歪斜,模糊歪斜;
当评估结果为清晰不歪斜时,对图像不做任何处理;
当评估结果为模糊歪斜时,先依据透视变换原理,将歪斜的图像的主体进行矫正;然后对经过矫正变换的图像进行图像信息增强处理;
当评估结果为清晰歪斜时,则只对图像进行矫正;
当评估结果模糊不歪斜时,则只对图像进行信息增强操作。
4.根据权利要求3所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,矫正的具体过程为:在病变的叶片外,依据叶片轮廓随机选择八个特征点,每个特征点沿该点梯度方向扩大相同的步长,根据像素值的改变来判断是否将叶片完全包含;将每个点所对应的特征矩阵输入透视变换方程,每一个特征点(x,y)均对应一个目标点(x’,y’),根据公式(3)平面坐标与齐次坐标的对应关系,得出透视变换矩阵方程,通过解出公式(4)中八个点所对应的透视变换矩阵方程来得出变换后的八个点的坐标,再通过公式(5)将原图像变换至此位置得出矫正后的图像;该部分所使用的具体公式如下:其中,w为扩展维度变量,R为实数域二维坐标点,P为射影空间三维坐标点;fg1~8代表在图像周围选取的八个特征点,T代表需要进行识别分类的目标区域,scr代表输入原始特征矩阵,dst代表输出处理后的特征矩阵,M代表每一个坐标点对应位置的特征矩阵,M11为fg1所对应位置的特征矩阵。
5.根据权利要求3所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,图像信息增强的具体过程为:采用Gamma变换,设置输入灰度级r,以r=1为基准,当r>1时,拉伸图像高灰度的区域同时压缩低灰度的区域,当r<1时,则进行相反操作;该部分所使用的具体公式如下:γ
s=cr (6)其中,r和s分别表示输入和输出灰度级,c为灰度放缩系数,γ代表输入图像与输出图像的灰度映射方式,γ>1时,图像的高灰度区域对比度得到增强;γ<1时,图像的低灰度区域对比度得到增强;γ=1时,不改变原图像。
6.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤3中,InheritfeatNet算法采用多模块化特征提取策略,将多个继承区InheritfeatZone串联,每一个继承区生成一个特征矩阵,并向后面的每一个继承区域传递本区域生成的特征矩阵参与后续的卷积运算,重复进行直至此图像特征提取结束;同时设置传递参数i,i表示本层特征矩阵向后传递的层数,继承区InheritfeatZone连接公式表示为:Xi+1=Inheritfeat(X0,X1,……Xi) (7)其中,X代表特征矩阵,Xi+1为经i张特征图合成后的特征图,Inheritfeat(·)表示连接函数。
7.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤4的具体过程如下:步骤4.1、将步骤1中获取并经过步骤2处理后的样本数据集按照随机抽取原则划分为训练集、测试集、验证集;
步骤4.2、将训练集和验证集输入到农作物病虫害识别分类网络模型中进行训练,得到输出结果;
步骤4.3、将预测值与标签值输入到损失函数中,得到训练损失;采用交叉熵损失函数;
交叉熵损失函数定义如下:
其中,yi为标签值,yi'为预测值;
步骤4.4、根据训练损失调整模型参数,通过优化器对模型进行优化;同时,利用验证集对模型结果进行验证,得到最终训练并优化好的识别网络;采用Adam优化器调整模型更新权重和偏差参数θt,θt由如下公式得到,其中,α为学习率,mi为对梯度的一阶矩估计,vt为对梯度的二阶矩估计,∈为维持数值稳定添加的常数。
8.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤5中,采用测试集进行评估,通过对测试集数据的识别预测,利用准确率衡量指标对模型评估;准确率计算公式为:其中,TP表示样本预测值与真实值相符且均为正,TN表示样本预测值为正而真实值为负,FP表示样本预测值为负而真实值为正,FN表示样本预测值与真实值相符且均为负;当准确率达到95%时,输出并保存当前训练完成的模型;否则,重新进行模型训练。
9.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤6具体过程如下:用户实时拍摄农作物病虫害图像,首先通过图像智能处理IPS模块进行智能处理操作;然后,将经过预处理后的图像输入识别分类网络InheritfeatNet,经过卷积层对特征进行提取,同时对每一层特征的性质将继承至下一层,最后生成一个与目标图像相对应的特征矩阵,再通过池化、全连接、激活函数实现对目标的识别分类;最后,返回按置信度由高到低排名前三位的预测结果,选取最大的结果作为最终的识别结果。
10.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法,其特征在于,所述步骤6中,智能化反馈的过程为:当用户实时拍摄的待识别图像存在不清晰至无法分辨特征、不存在病虫害、尺寸过小、被其他作物遮挡的情况时,反馈给用户提示信息,提示用户重新获取待识别图像;如果待识别图像中存在目标对象并且当前待识别图像的图像质量较高,则根据模型识别出的结果,反馈给用户具体病虫害识别信息,给出病虫害名称信息。