(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111622531.0 (22)申请日 2021.12.28 (71)申请人 吉林农业大 学 地址 130000 吉林省长 春市新城大街28 88 号 (72)发明人 马丽　周巧黎　张涵博　赵丽亚　 胡远辉　于合龙　李东明　曹丽英　 (74)专利代理 机构 南京金宁专利代理事务所 (普通合伙) 32479 专利代理师 张凤香 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的番茄叶片病害识别研 究方法 (57)摘要 本发明属于农作物病虫害识别技术领域， 且 公开了一种基于深度学习的番茄叶片病害识别 研究方法， 包括如下步骤： S1、 运用数码相机和手 机在番茄田间进行番茄害病图像采集， 将采集后 的图像分辨率统一缩放为64 ×64， 然后按病害类 别对图像进行贴标签， 得到具有样 本标签的原始 番茄叶片病害图像数据集。 在本发 明构造的基于 卷积神经网络的番茄病害识别方法中， 不需要对 每幅病害叶片图像进行复杂的预处理、 病斑分割 以及特征提取等操作， 更有助于在低性能的终端 上实现对番茄病害的实时检测和治疗， 相对于应 用传统的卷积神经网络进行病害识别的方法， 本 方法准确率更高、 耗时更少、 占用空间更低、 运行 和识别效果更好。 权利要求书1页 说明书7页 附图4页 CN 114550164 A 2022.05.27 CN 114550164 A 1.一种基于深度学习的番 茄叶片病害识别研究方法， 其特 征在于， 包括如下步骤： S1、 运用数码相机和手机在番茄田间进行番茄害病图像采集， 将采集后的图像分辨率 统一缩放为64 ×64， 然后按病害类别对图像进行贴标签， 得到具有样本标签的原始番茄叶 片病害图像数据集； S2、 对步骤S1所得到的具有样本标签的原始番茄病害图像数据集进行数据增 强操作， 将原始数据集中的每幅图像通过高斯噪声添加和变换角度等多种操作方式进行图像数据 扩充； S3、 将通过步骤S2得到的番茄病 害图像扩充数据集通过数据归一化等方法进行图像预 处理操作； S4、 将步骤S3得到的预处 理后的番 茄病害图像数据集划分为训练集和验证集； S5、 建立用于番茄常见叶片病害识别的卷积神经网络模型， 该模型主要基于 MobilenetV3网络模型， 该模型主要包括多层结构的模块， 第一个模块包括卷积层和H ‑ Swish层等； 最后四层， 包括卷积层和全局平均池化层， 中间模块都是带有3 ×3或5×5大小 的深度可分离卷积的瓶颈结构； S6、 利用步骤S4得到的训练集输入到步骤S5建立的卷积神经网络中进行模型训练， 在 训练前， 利用优化bot tleneck模块的方法进行模型优化， 获得优化后卷积神经网络模型； S7、 将步骤S4中得到的测试集图像输入到通过步骤S6得到的优化后卷积神经网络模 型， 完成对番 茄病害种类的识别。 2.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 在步骤S1中， 所述的原始番茄病害数据包括番茄早疫病、 晚疫病、 叶霉病、 七星叶斑病、 细菌斑病和健康叶片的图像。 3.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 步骤S2的具体步骤 是： 将步骤S1 中贴标签后的图像进 行数据增广操作， 将 每幅图像通过 随机翻转、 高斯噪声 添加和变换角度的操作方式进 行图像数据扩充； 其中， 每种操作方式对 标注后数据集扩充1倍。 4.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 步骤S3所述的图像标准化预处理方法将数据通过去均值实现中心化处理， 有利于卷积 神经网络在众多数据分布中找到分布点， 从而加快模型的收敛。 5.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 步骤S4所述的按一定比例划分训练集、 验证集， 训练集数据较多于验证集， 且训练集、 验 证集的图像中同时包括番 茄的常见病害类型。 6.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 步骤S5中， 以bottleneck结构为主的模块， 依据网络深度的不同而有所调节， 输出神经 元节点个数为即为番 茄病害类型 数， 输出层分类函数采用Softmax分类函数。 7.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法， 其特征在 于： 在步骤S6中， 所述网络模型训练需要进行多次迭代训练， 直到网络模型的损失函数收 敛， 即损失函数降低到一定程度后趋 于稳定， 获得病害识别率较高的网络模型。权　利　要　求　书 1/1 页 2 CN 114550164 A 2一种基于深度学习的番茄叶片病害识别研究方 法 技术领域 [0001]本发明属于农作物病虫害识别技术领域， 具体为一种基于深度学习的番茄叶片病 害识别研究方法。 背景技术 [0002]番茄在种植和果实产出过程中， 容易受天气、 温度和湿度等各种因素的影响， 发生 各种病害从而影响番茄的质量， 常见 的番茄的根部、 茎部和果实都会发生不同程度不同类 型的病害， 番茄叶部易 发生的病害主要有番茄细菌斑病、 早疫病、 晚疫病、 叶霉病、 七星叶斑 病等， 番茄病害类别多且病害对叶片的影响程度较为复杂， 需要及早地对病害种类和程度 做出判断喷洒对应的农药进行治疗， 否则就会影响番茄的果实培育， 最终影响番茄的质量 和产量。 [0003]计算机图像处理技术和深度学习技术的逐渐成熟使番茄叶片病害识别有了一定 的突破性和进展， 其针对植物叶片病害的识别研究是依靠病害的颜色、 纹理特征、 形状等信 息， 这些特征 的提取主要采取人工标定的方式， 不够准确进而会影响番茄叶片病害的识别 度， 这种方法的普遍适应性还是不够强， 卷积神经网络可以实现作物病害 特征的自动提取， 比如GoogLeNet、 AlexNet  和ResNet等在作物病害识别方面都已经取得 非常好的效果， 但是 在使用这些传统的卷积神经网络进行识别分类时， 非常耗费时间成本和内存成本， 难以与 实际应用情况相结合。 发明内容 [0004]本发明的目的在于提供一种基于深度学习的番茄叶片病害识别研究方法， 以解决 传统人工检测耗时、 费力以及现有机器视 觉方法识别精度低、 模型复杂等问题。 [0005]为了实现上述目的， 本发明提供如下技术方案： 一种基于深度学习的番茄叶片病 害识别研究方法， 包括如下步骤： [0006]S1、 运用数码相机和手机在番茄田间进行番茄害病图像采集， 将采集后的图像分 辨率统一缩放为64 ×64， 然后按病害类别对图像进行贴标签， 得到具有样本标签的原始番 茄叶片病害图像数据集； [0007]S2、 对步骤S1所得到的具有样本标签的原始番茄病害图像数据集进行数据增强操 作， 将原始数据集中的每幅图像通过高斯噪声添加和变换角度等多种操作方式进 行图像数 据扩充； [0008]S3、 将通过步骤S2得到的番茄病害图像扩充数据集通过数据归一化等方法进行图 像预处理操作； [0009]S4、 将步骤S3得到的预处 理后的番 茄病害图像数据集划分为训练集和验证集； [0010]S5、 建立用于番茄常见叶片病害识别的卷积神经网络模型， 该模型主要基于 MobilenetV3网络模型， 该模型主要包括多层结构的模块， 第一个模块包括卷积层和H ‑ Swish层等； 最后四层， 包括卷积层和全局平均池化层， 中间模块都是带有3 ×3或5×5大小说　明　书 1/7 页 3 CN 114550164 A 3