[發(fā)明專(zhuān)利]一種適應(yīng)田野的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011444596.6
• 申請(qǐng)日: 2020-12-11
• 公開(kāi)（公告）號(hào): CN112560644B
• 公開(kāi)（公告）日: 2021-09-28
• 發(fā)明（設(shè)計(jì)）人: 趙啟軍;桂鵬輝;劉寧;黨文婕;朱飛雨
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06N3/04;G06N3/08;G06T5/30;G06T7/11;G06T7/136;G06T7/194
• 代理公司: 四川力久律師事務(wù)所 51221
• 代理人: 韓洋

本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，特別涉及一種適應(yīng)田野的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別方法。包括以下步驟：S1，獲取農(nóng)作物圖像原始數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理；S2，將預(yù)處理后的農(nóng)作物圖像原始數(shù)據(jù)輸入改進(jìn)后的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別模型，預(yù)測(cè)出所述農(nóng)作物圖像原始數(shù)據(jù)相應(yīng)的病蟲(chóng)害類(lèi)別；改進(jìn)后的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別模型的網(wǎng)絡(luò)架構(gòu)為：在卷積神經(jīng)網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)上增加了通道正交約束和物種分類(lèi)約束兩個(gè)分支，所述通道正交約束添加在所述骨干網(wǎng)絡(luò)輸出的最后一層特征上，所述物種分類(lèi)約束添加在所述骨干網(wǎng)絡(luò)輸出的任何一個(gè)特征上。采用本方法可以實(shí)現(xiàn)病蟲(chóng)害類(lèi)別的準(zhǔn)確識(shí)別，不需要管理人員具備領(lǐng)域?qū)＜业膶?zhuān)業(yè)知識(shí)，提升了模型在田野環(huán)境下識(shí)別的性能。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)領(lǐng)域，特別涉及一種適應(yīng)田野的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別方法。

背景技術(shù)

2006-2015年我國(guó)農(nóng)作物病蟲(chóng)草鼠害總體處于嚴(yán)重發(fā)生狀態(tài),年均損失糧食占全國(guó)糧食總產(chǎn)量的20.88％。農(nóng)作物病蟲(chóng)害的來(lái)源主要包括細(xì)菌、真菌、卵菌、病毒、線蟲(chóng)和昆蟲(chóng)等，農(nóng)作物在感染病害后其葉片一般會(huì)有斑點(diǎn)、變色、畸形、萎蔫和壞死等癥狀。農(nóng)作物的健康是從事農(nóng)業(yè)工作者們賴以生存的條件，而診斷這些癥狀需要高水平的專(zhuān)業(yè)知識(shí)，所以發(fā)明一種能自動(dòng)識(shí)別農(nóng)作物病害的方法具有十分重要的意義。

相較于主觀性較強(qiáng)、經(jīng)驗(yàn)性較強(qiáng)和耗時(shí)較長(zhǎng)的傳統(tǒng)專(zhuān)家診斷方法，利用圖像和計(jì)算機(jī)視覺(jué)相關(guān)的自動(dòng)識(shí)別方法能達(dá)到更準(zhǔn)確、更快速的診斷效果。作為本發(fā)明最接近的現(xiàn)有技術(shù)，論文“Using Deep Learning for Image-Based Plant Disease Detection”和論文“Solving Current Limitations of Deep Learning Based Approaches for PlantDisease Detection”給出了詳細(xì)的介紹，方法中訓(xùn)練出了用于實(shí)現(xiàn)植物病蟲(chóng)害的分類(lèi)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)農(nóng)作物病蟲(chóng)害的自動(dòng)識(shí)別，它們?cè)谑芸氐膶?shí)驗(yàn)室條件下(對(duì)光照姿態(tài)和背景有很高的要求)有較高的識(shí)別準(zhǔn)確率，但是當(dāng)其應(yīng)用在真實(shí)田野間時(shí)性能會(huì)急劇下降。

現(xiàn)有的植物病蟲(chóng)害自動(dòng)識(shí)別方法在解決田野農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別的問(wèn)題時(shí)仍然存在著很大的局限，主要存在以下問(wèn)題：1、農(nóng)作物圖像通常是在實(shí)驗(yàn)室受控的條件下采集，相比現(xiàn)實(shí)農(nóng)作物生長(zhǎng)條件來(lái)說(shuō)，用于識(shí)別病蟲(chóng)害的農(nóng)作物圖像太理想，因此訓(xùn)練出的網(wǎng)絡(luò)在實(shí)測(cè)時(shí)效果不佳，只能識(shí)別單個(gè)的、正面的、光照統(tǒng)一、背景單一的農(nóng)作物葉片。2、提取圖像特征識(shí)別農(nóng)作物病蟲(chóng)害的方法考慮并不全面，例如：同一種疾病的葉片具有不同尺度和位置的癥狀、具有不止一種疾病或者具有和其他疾病十分相似的癥狀等。上述情況會(huì)造成農(nóng)作物病蟲(chóng)害識(shí)別的準(zhǔn)確率降低。

考慮到現(xiàn)有方法的以上幾點(diǎn)局限，若提出一個(gè)更加魯棒的適應(yīng)真實(shí)田野間的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別算法，將會(huì)遇到如下三個(gè)主要問(wèn)題：1、數(shù)據(jù)集中的農(nóng)作物圖像背景單一、但野外環(huán)境下葉片圖像的背景多變，如圖1(a)所示。2、同一種疾病的癥狀尺度和位置多變，如圖1(b)所示。3、同一種農(nóng)作物不同病害的癥狀比較相似，不同農(nóng)作物由同一種病菌引起的不同病害的癥狀也比較相似，如圖1(c)所示，從左到右分別是番茄的靶斑病、瘡痂病、早疫病和馬鈴薯的晚疫病。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中所存在的上述不足，一方面對(duì)原始圖像進(jìn)行增強(qiáng)處理，另一方面，對(duì)識(shí)別算法的網(wǎng)絡(luò)進(jìn)行改進(jìn)，考慮了農(nóng)作物物種的因素和不同通道之間的相互關(guān)系，提出了一種更加具有魯棒性的適應(yīng)田野的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別方法。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了以下技術(shù)方案：

一種適應(yīng)田野的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別方法，包括以下步驟：

S1，獲取農(nóng)作物圖像原始數(shù)據(jù)，并對(duì)農(nóng)作物圖像原始數(shù)據(jù)進(jìn)行預(yù)處理；

S2，將預(yù)處理后的農(nóng)作物圖像原始數(shù)據(jù)輸入改進(jìn)后的農(nóng)作物病蟲(chóng)害自動(dòng)識(shí)別模型，預(yù)測(cè)出農(nóng)作物圖像原始數(shù)據(jù)相應(yīng)的病蟲(chóng)害類(lèi)別；