[發(fā)明專利]一種基于高光譜圖像的大豆病蟲害識別方法和裝置

有效

• 申請?zhí)枺?/td>: 202210947014.9
• 申請日: 2022-08-09
• 公開（公告）號: CN115019215B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計）人: 魏日令;徐曉剛;王軍;馬寅星;虞舒敏
• 申請（專利權(quán)）人: 之江實驗室
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V20/10;G06V10/82;G06V10/764;G06V10/26;G06V10/778
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

本發(fā)明公開一種基于高光譜圖像的大豆病蟲害識別方法和裝置，該方法包括：步驟一，利用無人機搭載的高光譜相機與RGB相機采集高光譜數(shù)據(jù)集及其對應的RGB數(shù)據(jù)集；步驟二，對采集的高光譜數(shù)據(jù)集進行數(shù)據(jù)增廣；步驟三，對RGB圖像進行植株區(qū)域分割后與對應的高光譜圖像進行像素點相乘得到含植株區(qū)域的圖像，對該圖像進行預處理計算出各類別平均光譜特性曲線；步驟四，輸入高光譜數(shù)據(jù)集至大豆病蟲害識別網(wǎng)絡(luò)模型，采用課程學習方式以及各類別平均光譜特性曲線進行模型訓練；步驟五，采用訓練好的大豆病蟲害識別網(wǎng)絡(luò)模型，對采集輸入的高光譜圖像進行預測分類，輸出最終預測的蟲害類別。本發(fā)明能有效提高大豆病蟲害識別的準確度。

技術(shù)領(lǐng)域

本發(fā)明涉及高光譜圖像處理領(lǐng)域，尤其涉及一種基于高光譜圖像的大豆病蟲害識別方法和裝置。

背景技術(shù)

在我國種植大豆的過程中，病害與蟲害是造成我國大豆糧食減產(chǎn)與質(zhì)量不過關(guān)的主要原因。產(chǎn)生病害與蟲害的主要原因是由于大豆這種植物本身的特性造成的。

在大豆的病害中，大豆紋枯病，菌核病，灰斑病以及根腐病是主要的類型。其中灰斑病是大豆病害中最常見的類型，已經(jīng)被列為世界性病害。在我國，灰斑病主要在東北三省的大豆產(chǎn)區(qū)常見；大豆植株一旦患病，則會帶來嚴重的減產(chǎn)問題，普遍減產(chǎn)率在10%-50%不等，對我國經(jīng)濟帶來嚴重的影響。灰斑病主要影響的是大豆的葉片和籽粒，發(fā)病時葉片的狀態(tài)會有很大的不同。

在大豆的蟲害中，常見的蟲害類型有：食心蟲，蚜蟲，紅蜘蛛等。我國東北地區(qū)作為大豆的主要產(chǎn)區(qū)，蚜蟲的危害最為嚴重，感染蚜蟲的大豆葉片常常表現(xiàn)為：葉片蜷縮卷曲，分泌透明粘稠液體。在大豆開花后，花蕾受到蚜蟲侵擾飽和度下降，直接影響到大豆產(chǎn)量。更有甚者，蚜蟲過多導致大豆死亡。

隨著電子技術(shù)的不斷發(fā)展，高光譜遙感技術(shù)已逐漸被被應用于農(nóng)作物營養(yǎng)素診斷，分類識別，品質(zhì)鑒定等應用中。高光譜圖像由上百個波段的圖像組成，這使得它可以在細粒度的水平上識別或檢測材料，特別是在視覺角度擁有非常相似的光譜特征。高光譜圖像的分類一般有以下幾個步驟組成：預處理（去噪），降維，特征提取到最后的分類。其中，特征提取階段得到了廣泛的關(guān)注。過去的幾十年里，手工特征被大量應用于特征提取階段；這種提取特征的方式在樣本量較小時效果比較好，隨著樣本量的增加效果將逐漸減弱。

隨著深度學習的發(fā)展，神經(jīng)網(wǎng)絡(luò)逐漸被用于圖像的特征提取當中，但是傳統(tǒng)的CNN網(wǎng)絡(luò)在提取全局特征時表現(xiàn)得不夠好。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問題，本發(fā)明提出了一種基于高光譜圖像的大豆病蟲害識別方法，以Transformer為主干網(wǎng)絡(luò)的模型中，并且在訓練階段使用課程學習的方式來避免過擬合問題，其具體技術(shù)方案如下：

一種基于高光譜圖像的大豆病蟲害識別方法，包括以下步驟：

步驟一，利用無人機搭載的高光譜相機與RGB相機在不同高度拍攝高光譜圖像及其對應的RGB圖像，得到采集的高光譜數(shù)據(jù)集及其對應的RGB數(shù)據(jù)集；

步驟二，基于開源RGB數(shù)據(jù)集對步驟一采集的高光譜數(shù)據(jù)集進行數(shù)據(jù)增廣；

步驟三，對開源RGB數(shù)據(jù)集和采集的RGB數(shù)據(jù)集中的圖像進行植株區(qū)域分割，得到掩膜圖像，將掩膜圖像與對應的高光譜圖像進行像素點相乘得到含植株區(qū)域的圖像，再進行預處理計算出各類別平均光譜特性曲線；

步驟四，將數(shù)據(jù)增廣后的高光譜數(shù)據(jù)集輸入大豆病蟲害識別網(wǎng)絡(luò)模型，采用課程學習方式以及步驟三得到的各類別平均光譜特性曲線進行模型訓練，得到訓練好的大豆病蟲害識別網(wǎng)絡(luò)模型；

步驟五，采用訓練好的大豆病蟲害識別網(wǎng)絡(luò)模型，對采集輸入的高光譜圖像進行預測分類，輸出最終預測的蟲害類別。

進一步的，所述步驟二，具體包括以下子步驟：

步驟2.1，加載已經(jīng)在開源RGB數(shù)據(jù)集上訓練完成的高光譜圖像重建網(wǎng)絡(luò)，所述高光譜圖像重建網(wǎng)絡(luò)采用MST++算法；