一种基于图像的农作物病虫害检测方法、系统及设备技术方案

一种基于图像的农作物病虫害检测方法、系统及设备，属于农作物病虫害检测技术领域。为了解决现有的农作物病虫害检测方法不能兼顾准确率和模型训练时间的问题。本发明专利技术所述的方法中，首先采集检测区域的农作物的图像；然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型；农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同。主要用于农作物病虫害检测。

【技术实现步骤摘要】
一种基于图像的农作物病虫害检测方法、系统及设备
本专利技术属于农作物病虫害检测

技术介绍
每年有大量的粮食及其他农作物因病虫害的影响，导致的损失十分巨大。基于及时检测和防治的要求，农作物的病虫害的智能检测受到了极大地重视。随着图像识别及人工智能技术的发展，目前已经有很多专家和学者展开了农作物病虫害的智能检测，有的已经取得了很不错的效果。但是仍然存在着几方面的问题亟需解决。如果利用深度学习技术进行农作物病虫害的检测则会面临着一个问题：想要得到较好的农作物检测准确率，基本都是需要增加学习模型的深度(增加神经网络的深度)，并且提供大量的训练图像进行训练，这样就会导致模型的训练过程变得愈发困难，一方面训练时间过长，另一方面随着深度的增加，可能出现梯度发散的问题，不仅会进一步导致训练时间加长，甚至可能出现不能够收敛的问题。还有就是如果想要取得非常高的病虫害检测准确率，那么现有的模型都是通过单一训练的方式来实现，即一种病虫害检测模型仅能针对一种农作物进行检测，这种情况下才能取得较好的效果。但是这样就存在使用不方便的问题，每个农作物种类的的检测都是需要单独开发一个病虫害检测模型，不仅会花费大量的人力、物力、时间等，而且也存在着极大的开发和使用制约，针对于一些农民或者合作社，没有机会接触到相关人员，也不能统一寻找相关人员进行开发，所以目前的病虫害检还不能实现针对多种类型的农作物进行检测。同时还存在另一方面的问题，如果将现有的神经网络模型用来进行多种类型的农作物的病虫害检测，随着农作物种类的增加，其模型的检测准率明显下降，经常会出现漏检和错检。
技术实现思路
本专利技术是为了解决现有的农作物病虫害检测方法不能兼顾准确率和模型训练时间的问题，以及检测准确率有待于提高的问题。一种基于图像的农作物病虫害检测方法，包括以下步骤：采集检测区域的农作物的图像；农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。进一步地，所述的后端识别网络的处理过程包括以下步骤：S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；将R图像、G图像、B图像分别进行如下处理：经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；将R1、G1、B1、H1的特征融合为一组特征RGBH1，然后进行卷积操作，得到W1；对其他组特征进行同样的操作；直至将Rm、Gm、Bm、Hm特征融合为一组特征，并进行卷积操作得到Wm；将W1至Wm进行特征融合，得到特征图W，然后进行1*1卷积，得到最终的特征图；S4、将最终的特征图送入分类器进行分类。进一步地，所述池化层为max-pooling层。进一步地，所述s取值为3至6，优选s＝4。进一步地，所述前端识别网络与一个后端识别网络结构相同。有益效果：本专利技术可以通过训练能够适用于种农作物的病虫害检测，实现了跨农作物种类进行使用，适用范围广，使用方便，只要训练过程充分能够适用于任何农作物病虫害的检测。利用本专利技术进行农作物病虫害检测，不仅检测的准确率能够达到98.75％以上，而且本专利技术的农作物病虫害检测模型的训练过程简单，训练时间能够得到极大地缩短；兼顾了模型训练效率和准确率的问题。随着农作物适用种类的增加，本专利技术的优点更加明显。附图说明图1为一种基于图像的农作物病虫害检测方法示意图。具体实施方式具体实施方式一：本实施方式为一种基于图像的农作物病虫害检测方法，包括：训练过程：A1、采集不同农作物的图像，包括健康状态图像和不同病虫害图像；农作物的不同病虫害图像不仅包括不同类型病虫害的图像，而且每种类型的病虫害图像还包括不同程度的病虫害图像；如果图像大小不同，图像需要经过归一化操作，保证所有图像尺寸相同。本专利技术可以针对水稻、玉米、大豆等农作物的病虫害进行检测，可以对黄瓜、土豆等其他农作物病虫害进行检测。黄瓜、土豆等其他农作物一般都是小范围(相比水稻、玉米等种植面积小很多)的种植，所以针对某一地块有针对性地采集图像的检测过程中，由于采集图像一般不能实现定期采集(当然可以设置定期对某一地块进行图像采集，以实现农作物病虫害检测)，一般都是发生了病虫害才会进行病虫害的判别，为了提高效率，这种情况下可以利用无人机等设备在低空采集农作物图像。针对于水稻、玉米、大豆等大面积种植的农作物，既可以采用上述方式进行农作物图像的采集，也可以利用其他方式采集图像。针对于水稻，本专利技术采集图像对应的病虫害可以包括：绵腐、立枯病、白叶枯、细条病、纹枯病、螟虫、稻飞虱等。针对于玉米，可以包括：大斑病、小斑病、青枯病、黑穗病、螟虫等。针对于大豆，可以包括：菌核病、霜霉病、灰斑病、卷叶螟、蚜虫等。针对于黄瓜，可以包括霜霉病等。具体的农作物种类和病虫害种类可以根据实际需要，就针对于某一种或几种农作物进行图像采集和训练；也可以采集更多种类农作物、更多病虫害的图像，这样能够训练出检测能力更强的检测模型，但是训练的工作量会成倍甚至数十倍的增加，而且训练时间也会成倍甚至数十倍的增加的增加。所以训练过程需要结合实际的使用需求进行。A2、将采集的图像，按照农作物种类分成若干子集，例如水稻、玉米、大豆等的图像子集，如果仅是针对单一种类的农作物进行病虫害检测，那么图像集也是图像子集；将图像子集的图像分成训练集和测试集。A3、利用若干子集的训练集图像进行前端识别网络的训练，并用测试集进行测试，得到训练好的前端识别网络；所述的前端识别网络仅进行农作物种类的识别，不进行具体的病虫害类型识别。在训练过程中，针对于同一种类农作物的图像，将有病虫害的和正常图像都作为该种农作物的图像，用以识别该种农作物。实际上，针对于多种类农作物的病虫害识别，现有技术基本上都是直接建立一个针对多种农作物病虫害识别网络直接进行农作物种类和病虫害的识别(现有技术本文档来自技高网...

【技术保护点】
1.一种基于图像的农作物病虫害检测方法，其特征在于，包括以下步骤：/n采集检测区域的农作物的图像；/n农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；/n然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。/n

【技术特征摘要】
1.一种基于图像的农作物病虫害检测方法，其特征在于，包括以下步骤：
采集检测区域的农作物的图像；
农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；
然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。


2.根据权利要求1所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述的后端识别网络的处理过程包括以下步骤：
S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；
S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；
将R图像、G图像、B图像分别进行如下处理：
经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；
将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；
在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；
S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；
将R1、G1、B1...

【专利技术属性】
技术研发人员：唐友，李卓，王永江，滕小华，
申请(专利权)人：吉林农业科技学院，
类型：发明
国别省市：吉林;22