[發(fā)明專利]一種基于深度學(xué)習(xí)的層級(jí)葉片病害檢測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310353202.3
• 申請(qǐng)日: 2023-04-04
• 公開（公告）號(hào): CN116664480A
• 公開（公告）日: 2023-08-29
• 發(fā)明（設(shè)計(jì)）人: 劉斌;楊佳慧;張海曦;劉運(yùn)松;衛(wèi)星;袁愛紅
• 申請(qǐng)（專利權(quán)）人: 西北農(nóng)林科技大學(xué);陜西省農(nóng)村科技開發(fā)中心
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/764;G06V10/82;G06V10/40;G06V10/25;G06V10/77;G06V10/80;G06V10/766;G06N3/0464;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 錢宇婧

本發(fā)明公開了一種基于深度學(xué)習(xí)的層級(jí)葉片病害檢測(cè)方法和系統(tǒng)，用于自然環(huán)境下蘋果葉片病害檢測(cè)。首先，前置區(qū)域提議網(wǎng)絡(luò)在整個(gè)圖像生成提議框，并篩選出葉片提議框，后置區(qū)域提議網(wǎng)絡(luò)根據(jù)葉片提議框生成病斑提議框。其次，設(shè)計(jì)了底層特征聚合模塊，以更好地利用前置區(qū)域提議網(wǎng)絡(luò)生成的橋接特征。然后，在后置區(qū)域提議網(wǎng)絡(luò)中引入多級(jí)ROIAlign塊和GCNet，使聚合的特征縮放到相同的大小，更專注于病斑。最后，提出了一種位置錨框生成器，使預(yù)設(shè)錨框更容易根據(jù)病葉的位置捕獲目標(biāo)病斑。復(fù)雜自然環(huán)境下，該層級(jí)蘋果葉片病害檢測(cè)方法可以提高檢測(cè)任務(wù)的召回率和檢測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的層級(jí)葉片病害檢測(cè)方法和系統(tǒng)。

背景技術(shù)

傳統(tǒng)蘋果病害檢測(cè)多依賴于農(nóng)戶的個(gè)人經(jīng)驗(yàn)診斷，可靠性和時(shí)效性較差，病害檢測(cè)僅僅依靠人力已經(jīng)無法滿足果園快速發(fā)展的需求。深度學(xué)習(xí)的發(fā)展使得卷積神經(jīng)網(wǎng)絡(luò)(CNN)獲得了廣泛關(guān)注。利用卷積神經(jīng)網(wǎng)絡(luò)代替人類視覺功能，圖像傳感器來獲取植物病害的的圖像信息，再將圖像存儲(chǔ)信息轉(zhuǎn)換成一個(gè)多維矩陣，對(duì)數(shù)據(jù)進(jìn)行計(jì)算處理和識(shí)別，能夠做到對(duì)采集到的目標(biāo)中的主要特征進(jìn)行精準(zhǔn)分析，提取其中的有效信息，進(jìn)而對(duì)植物生長狀態(tài)進(jìn)行合理監(jiān)控。但是蘋果在自然果園的生長環(huán)境比較復(fù)雜，果園廣闊導(dǎo)致在攝像頭獲取的密集病害區(qū)域圖像中，極易出現(xiàn)大量失焦模糊病斑，同時(shí)部分病害的病斑所占像素小、紋理信息不明顯，因此復(fù)雜環(huán)境會(huì)嚴(yán)重影響蘋果葉片病斑檢測(cè)的準(zhǔn)確性。。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種基于深度學(xué)習(xí)的層級(jí)葉片病害檢測(cè)方法和系統(tǒng)，以解決現(xiàn)有技術(shù)中葉片病斑檢測(cè)準(zhǔn)確性低的問題。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

一種基于深度學(xué)習(xí)的層級(jí)葉片病害檢測(cè)方法，包括：

輸入待檢測(cè)圖像，通過骨干網(wǎng)絡(luò)提取不同層級(jí)的病害特征，通過特征金字塔網(wǎng)絡(luò)對(duì)不同層級(jí)的病害特征進(jìn)行特征融合和特征提取，獲得金字塔特征圖；

將金字塔特征圖輸入至前置區(qū)域提議網(wǎng)絡(luò)，獲得所有類別的病害提議框和葉片提議框；所述前置區(qū)域提議網(wǎng)絡(luò)由5個(gè)大小為3×3的特征提取卷積層組成；

在每一個(gè)葉片提議框中，通過位置錨框生成器生成預(yù)制錨框，通過后置區(qū)域提議網(wǎng)絡(luò)回歸預(yù)制錨框的中心坐標(biāo)和大小，獲得位置的回歸參數(shù)和病害類別，生成病害提議框；所述后置區(qū)域提議網(wǎng)絡(luò)包括ROI?Align模塊、注意力模塊和特征卷積層；ROl?Align模塊從葉片提議框中，獲得病葉特征；注意力模塊調(diào)整病葉特征中的權(quán)重，獲得調(diào)整后的病葉特征；特征卷積層基于調(diào)整后的病葉特征獲得病害提議框；

將所有的提議框通過感興趣區(qū)域檢測(cè)頭提取特征后，獲得病害和病葉的分類及位置。

本發(fā)明的進(jìn)一步改進(jìn)在于：

優(yōu)選的，金字塔特征圖在前置區(qū)域提議網(wǎng)絡(luò)中生成預(yù)制錨框，通過4個(gè)大小為1×1的卷積對(duì)閾值錨框的中心位置和寬高進(jìn)行回歸，得到提議框；通過1個(gè)大小為1×1的卷積判別提議框中是否有病害或葉片存在。

優(yōu)選的，從前置區(qū)域網(wǎng)絡(luò)中提取出低層次特征，獲得低層特征聚合模塊；所述低層特征聚合模塊的公式為：

其中，deconv表示反卷積層，maxpool表示最大池化層，L₁和L₀均為特征圖。

優(yōu)選的，ROl?Align模塊基于葉片提議框和低層特征聚合模塊獲得病葉特征。

優(yōu)選的，后置區(qū)域提議網(wǎng)絡(luò)獲得位置的回歸參數(shù)和病害類別，調(diào)整預(yù)制錨框的偏移量，網(wǎng)格生成公式為：