[發明專利]一種基于深度學習的柑橘黃龍病檢測方法、裝置及系統

在審

• 申請號: 201811528272.3
• 申請日: 2018-12-13
• 公開（公告）號: CN109636791A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 鄧小玲;曾國亮;練碧楨;蘭玉彬;朱梓豪;黃梓效;童澤京;楊佳誠;楊煒光
• 申請（專利權）人: 華南農業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

1.一種基于深度學習的柑橘黃龍病檢測方法，其特征在于，包括：

獲取待識別柑橘葉片的圖像數據；

將所述圖像數據，輸入到移動端的柑橘黃龍病檢測的神經網絡模型；

確定所述圖像數據對應的檢測結果。

2.如權利要求1所述的方法，其特征在于，所述柑橘黃龍病檢測的神經網絡模型的建立過程包括：

采集大量柑橘葉片的圖像信息，在服務器端建立樣本數據庫；所述樣本數據庫包括訓練數據和測試數據；

根據所述樣本數據庫，建立柑橘黃龍病檢測的神經網絡模型，并訓練所述柑橘黃龍病檢測的神經網絡模型；

將訓練后的所述柑橘黃龍病檢測的神經網絡模型植入到移動端。

3.如權利要求2所述的方法，其特征在于，采集大量柑橘葉片的圖像信息，在服務器端建立樣本數據庫，包括：

對采集的大量柑橘葉片的圖像信息，進行旋轉，平移和/或尺度變換處理，將采集的圖像信息和處理后的圖像信息，在服務器端建立樣本數據庫。

4.如權利要求2或3所述的方法，其特征在于，所述柑橘黃龍病檢測的神經網絡模型包括：葉片檢測SSD模型和黃龍病診斷模型；

訓練所述柑橘黃龍病檢測的神經網絡模型，包括：

根據所述樣本數據庫的訓練數據，針對每一柑橘葉片，標注相應的健康等級；所述健康等級包括：健康、非HLB黃化、患HLB黃化、花葉和斑駁；

將標注后柑橘葉片的圖像信息，訓練葉片檢測SSD模型；

將訓練后的所述葉片檢測SSD模型，對所述測試數據進行測試，選擇檢測準確率超過第一預設閾值的第一葉片檢測SSD模型；

將所述第一葉片檢測SSD模型的輸出數據，輸入到黃龍病診斷模型；所述黃龍病診斷模型以MobileNet模型為基準模型；

訓練所述黃龍病診斷模型，將訓練后的所述黃龍病診斷模型，對所述測試數據進行測試，選擇測試準確率超過第二預設閾值的黃龍病診斷模型。

5.如權利要求1-3任一項所述的方法，其特征在于，所述方法還包括：當所述檢測結果診斷為感染黃龍病且感染概率低于第三預設閾值時，根據操作指令，將所述檢測結果對應的柑橘葉片的圖像數據上傳到服務器端；

接收所述服務器端發送的專家診斷結果并反饋。

6.一種基于深度學習的柑橘黃龍病檢測裝置，其特征在于，包括：

獲取模塊，用于獲取待識別柑橘葉片的圖像數據；

輸入模塊，用于將所述圖像數據，輸入到移動端的柑橘黃龍病檢測的神經網絡模型；

確定模塊，用于確定所述圖像數據對應的檢測結果。

7.如權利要求6所述的裝置，其特征在于，還包括：

上傳模塊，用于當所述檢測結果診斷為感染黃龍病且感染概率低于第三預設閾值時，根據操作指令，將所述檢測結果對應的柑橘葉片的圖像數據上傳到服務器端；

反饋模塊，用于接收所述服務器端發送的專家診斷結果并反饋。

8.一種基于移動端深度學習的柑橘黃龍病檢測系統，其特征在于，包括：移動端和服務器端；

所述移動端包括：

獲取模塊，用于獲取待識別柑橘葉片的圖像數據；

輸入模塊，用于將所述圖像數據，輸入到移動端的柑橘黃龍病檢測的神經網絡模型；

確定模塊，用于確定所述圖像數據對應的檢測結果；

所述服務器端包括：

采集建立模塊，用于采集大量柑橘葉片的圖像信息，在服務器端建立樣本數據庫；所述樣本數據庫包括訓練數據和測試數據；

建立訓練模塊，用于根據所述樣本數據庫，建立柑橘黃龍病檢測的神經網絡模型，并訓練所述柑橘黃龍病檢測的神經網絡模型；

植入模塊，用于將訓練后的所述柑橘黃龍病檢測的神經網絡模型植入到移動端。