【技術實現步驟摘要】
本專利技術屬于智慧農業領域，具體是一種基于梨葉片圖像深度學習的梨品種識別方法。
技術介紹
1、梨(pyrus?spp.)是薔薇科(rosaceae)梨屬(pyrus?l.)植物，富含維生素c、纖維素及礦物質，可直接食用，還可用于制成果汁或罐頭，具有止咳化痰、清心潤肺等作用。我國梨的栽培面積和產量約占全球的70％。我國梨栽培種可分為兩大類：中國梨和西洋梨，中國梨產地集中于亞洲國家，如：中國、日本、韓國。我國原產梨樹主要分布于黃河流域、長江流域和南部地區，如：白梨、砂梨和秋子梨等。梨由于適應性較強，在我國東北至華南皆有分布，其中華北、西北和東北等地種植最為廣泛。西洋梨主要產自歐洲、非洲、美洲和大洋洲，如：阿巴特、康弗倫斯、巴梨等，其中美國、德國、西班牙和意大利為西洋梨最大產區。
2、不同梨品種的果形、果色、果實大小及營養成分、風味等存在差異，由于部分梨品種的遺傳關系相近，存在外觀較為相似且內在品種差異不明顯等問題，增加了梨品種識別的復雜性，導致梨果品市場和種苗繁育市場管理混雜，使消費者和果農的權益難以得到保障，如何準確高效進行梨品種的鑒別是研究的熱點。品種鑒定包括表型或基因型鑒定研究，目前梨品種鑒定方法以dna分子標記或基因型鑒定為主，這些方法存在操作復雜，效率低等問題。目前基于表型特征的品種鑒定方法逐漸成為植物識別領域的熱門研究方向。根、莖、葉、花、果實是植物最常見表型器官，植物的葉片和果實經歷了漫長的進化歷史和長時間的自然選擇，使得不同植物品種的葉片和果實通常具有獨特的形態、紋理等特征，便于進行區分和識別，且葉片和果
3、近年來，隨著計算機技術的不斷發展，移動應用的開發技術也在不斷創新，已有多項研究引入深度學習技術，構建卷積神經網絡模型，在移動端實現對植物品種的自動識別和分類。未來，隨著技術的不斷進步，移動應用在農業領域的應用將會更加廣泛和智能化。
4、總的來說，國內外學者對圖像識別領域的研究，主要集中于對小麥、玉米、水稻等農作物，以及蘋果、番茄和柑橘等水果的病害或種類的識別，而在梨品種識別方面研究尚淺。
技術實現思路
1、本申請以深度學習為基礎，搭建能夠基于葉片圖像準確識別不同梨品種的卷積神經網絡模型，實現梨品種的在線識別和分類，
2、技術方案：
3、一種基于梨葉片圖像深度學習的梨品種識別方法，它包括以下步驟：
4、s1、收集不同梨品種嫩葉、成熟葉片圖像，通過室內拍攝圖像和室外原位拍攝圖像兩種方式獲取數據集，并將每個品種的圖像進行數據劃分與增強；
5、s2、搭建卷積神經網絡模型，包括：
6、resnet34-out模型和resnet34-elu模型并訓練驗證獲得相應的卷積神經網絡模型；
7、s3、采集梨品種葉片的圖像數據，使用s2搭建的卷積神經網絡模型進行梨品種識別。
8、具體的，s1中將每個品種的圖像進行數據增強，包括像素、亮度、對比度、飽和度和色調角的調整，并利用旋轉和水平翻轉的方式，完成對數據集的處理操作。
9、具體的，搭建卷積神經網絡模型時，在resnet34網絡模型的基本構架上進行了數據集的優化與擴充，得到resnet34-out模型。
10、具體的，所述resnet34-out模型包括一個7×7卷積層、最大池化層、四個殘差模塊、平均池化層和全連接層。
11、優選的，所述resnet34-out模型的數據集batchsize設置為64，learning?rate設置為0.0001。
12、具體的，所述resnet34-elu模型是在resnet34-out網絡模型的基礎進行了優化，包括：
13、①在進行第一次卷積之前添加cbam注意力機制，利用cbam注意力機制在圖像的通道和空間上進行特征的提取；
14、②將resnet34-out網絡架構中的第一層basicblock的relu激活函數換成了elu激活函數；
15、③修改alpha和gamma參數，將alpha值設置為0.99，gamma值修設置為0.6。
16、具體的，s3中，對于室外成熟葉片圖像用resnet34-out模型進行識別；對于室內梨葉片圖像用resnet34-elu模型識別；對于室外嫩葉圖像及成熟葉片圖像用resnet34-out模型識別。
17、優選的，獲取葉片的圖像時，保持單一的拍攝背景。
18、本專利技術的有益效果
19、本申請所提出的resnet34-out模型和resnet34-elu模型與alexnet、vgg、googlenet模型進行比較，通過上述兩種優化后的模型可使梨葉片識別準確率達到96.01％。
本文檔來自技高網...【技術保護點】
1.一種基于梨葉片圖像深度學習的梨品種識別方法，其特征在于它包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，S1中將每個品種的圖像進行數據增強，包括像素、亮度、對比度、飽和度和色調角的調整，并利用旋轉和水平翻轉的方式，完成對數據集的處理操作。
3.根據權利要求1所述的方法，其特征在于，搭建卷積神經網絡模型時，在ResNet34網絡模型的基本構架上進行了數據集的優化與擴充，得到ResNet34-out模型。
4.根據權利要求3所述的方法，其特征在于，所述ResNet34-out模型包括一個7×7卷積層、最大池化層、四個殘差模塊、平均池化層和全連接層。
5.根據權利要求3所述的方法，其特征在于，所述ResNet34-out模型的數據集BatchSize設置為64，Learning?Rate設置為0.0001。
6.根據權利要求1所述的方法，其特征在于，所述ResNet34-ELU模型是在ResNet34-out網絡模型的基礎進行了優化，包括：
7.根據權利要求1所述的識別方法，其特征在于S3中，對于嫩葉
8.根據權利要求1所述的識別方法，其特征在于獲取葉片的圖像時，保持單一的拍攝背景。
...【技術特征摘要】
1.一種基于梨葉片圖像深度學習的梨品種識別方法，其特征在于它包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，s1中將每個品種的圖像進行數據增強，包括像素、亮度、對比度、飽和度和色調角的調整，并利用旋轉和水平翻轉的方式，完成對數據集的處理操作。
3.根據權利要求1所述的方法，其特征在于，搭建卷積神經網絡模型時，在resnet34網絡模型的基本構架上進行了數據集的優化與擴充，得到resnet34-out模型。
4.根據權利要求3所述的方法，其特征在于，所述resnet34-out模型包括一個7×7卷積層、最大池化層、四個殘差模塊、平均池化層和全連接層。
【專利技術屬性】
技術研發人員：殷豪，秦陽慧，薛文杰，穆悅，張紹鈴，陶書田，齊開杰，吳巨友，吳瀟，
申請(專利權)人：南京農業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。