[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

本發明涉及一種基于深度學習的柑橘黃龍病檢測方法、裝置及系統，該方法包括：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。該檢測方法操作簡便、無損、費用低廉、受廣大柑橘生產者歡迎；且簡化了診斷流程、降低了診斷成本，可以幫忙果農做到了盡早的檢測和發現病害，實現對果園中柑橘果樹進行快速、實時、準確、無損的診斷，可為果農施肥、生產提供參考，對果樹產量有極大幫助，對推動精準農業和農業信息化有積極作用。

技術領域

本發明涉及柑橘黃龍病智能識別技術領域，特別涉及一種基于深度學習的柑橘黃龍病檢測方法、裝置及系統。

背景技術

柑橘是世界上生產量最大的水果之一，也是我國南方地區種植規模最大的水果種類之一，在農業經濟中占非常重要的地位。而柑橘黃龍病(HLB)對柑橘的生產是有毀滅性的，該病害使柑橘樹表現癥狀為葉片斑駁、葉片黃化、樹勢衰弱、紅鼻子果或者是青果不轉色等，還具有蔓延速度快、危害大的特點。一旦柑橘樹感染該病，輕者會嚴重影響其果實產量與質量，重者則造成柑橘植株的枯死，造成我國大部分地區的柑橘產量下降，柑橘壽命短，生產成本增加，嚴重制約著我國乃至全世界柑橘產業的發展。迄今為止，尚未找到合適有效的藥物治療方法。

為了阻止HLB的擴散，目前在柑橘生產中采用的首要方法是連根挖除，許多柑橘果園因HLB而被摧毀，HLB也被認為是柑橘的癌癥，給果農及相關產業造成巨大的經濟損失。而及早的發現病株并進行及時的挖除，可以大大的減少生產的損失，對提高柑橘產量和質量有重要意義。目前針對HLB的最可靠的檢測方法為PCR檢測技術，但該法檢測過程繁瑣、周期較長、檢測費用高以及對檢測環境和操作要求高等特點限制著該法在實際生產的應用。另外諸如嫁接診斷、血清學診斷、田間診斷、DNA探針雜交等方法，也因為診斷準確率低、耗時長、成本高、過程繁瑣等原因在實際生產中難以推廣。

因此，如何提供一種簡單方便的檢測方法，是同行業人員亟待解決的問題。

發明內容

鑒于上述問題，本發明提出了一種基于深度學習的柑橘黃龍病檢測方法、裝置及系統，該檢測方法快速、高效、可靠；且具有操作簡便、無損、費用低廉、容易受廣大柑橘生產者應用的優點。

第一方面，本發明實施例提供一種基于深度學習的柑橘黃龍病檢測方法，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。

在一個實施例中，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。

在一個實施例中，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。

在一個實施例中，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；