一种基于无人机遥感图像技术的柑橘病虫害监测技术制造技术

本发明专利技术公开了一种基于无人机遥感图像技术的柑橘病虫害监测技术，属于农业虫害监测技术领域，一种基于无人机遥感图像技术的柑橘病虫害监测技术，包括包括以下步骤：S1采集高光谱；S2高光谱预处理；S3建立患病柑橘植株的诊断判别模型；S4定位识别患病植株；S5拍摄患病植株；S6柑橘叶片检测算法设计；S7缺陷叶片识别；S8建立多尺度融合的柑橘叶片病虫害识别模型；S9病虫害类型识别；本发明专利技术可以实现准确、高效的监测病虫害及其范围。效的监测病虫害及其范围。

【技术实现步骤摘要】
一种基于无人机遥感图像技术的柑橘病虫害监测技术


[0001]本专利技术涉及农业虫害监测
，更具体地说，涉及一种基于无人机遥感图像技术的柑橘病虫害监测技术。

技术介绍

[0002]柑橘在生长过程中会遇到多种病虫害,如柑橘木虱、红蜘蛛、蚜虫等病虫害的胁迫，会引发疮痂病、溃疡病、炭疽病、砂皮病、黄龙病等病害，如果不能及时发现和防治，会导致病害大面积蔓延，造成死树毁园的结果，给种植户带来巨大的经济损失。
[0003]传统的病虫害监测手段主要依靠田间观察，需要较高的专业技能，难以及时、准确的获取病虫害信息，该手段还具有效率低、准确率低、主观性强、难以大范围应用等问题。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术的目的在于提供一种基于无人机遥感图像技术的柑橘病虫害监测技术，它可以实现准确、高效的监测病虫害及其范围。
[0005]为解决上述问题，本专利技术采用如下的技术方案。
[0006]一种基于无人机遥感图像技术的柑橘病虫害监测技术，包括以下步骤：S1采集高光谱，采用无人机搭载高速成像仪，采集整个柑橘种植园高光谱图像；S2高光谱预处理，对无人机采集的整个柑橘种植园高光谱图像依次进行图像格式转换、数据清洗、影像拼接、影像矫正和影像裁剪得到预处理图像；S3建立患病柑橘植株的诊断判别模型,从预处理图像中提出光谱，通过算法建立患病柑橘植株的诊断判别模型；S4定位识别患病植株，原始图像代入患病柑橘植株的诊断判别模型，快速定位和快速识别患病植株；S5拍摄患病植株，利用无人机抵近患病植株，拍摄患病植株的高清视频；S6柑橘叶片检测算法设计，以YOLOv5为基础进行改进，通过重新构建网络模型的目标候选框、优化网络结构等改进方法构建柑橘叶片检测算法；S7缺陷叶片识别，利用柑橘叶片检测算法对S采集到的高清视通过图像分割方法对缺陷叶片进行分割，产生缺陷叶片图片；S8建立多尺度融合的柑橘叶片病虫害识别模型，以VGG19网络模型为骨干网络并利用迁移学习实现预训练权重参数的共享，通过改进模型结构，实现多尺度特征的融合，建立多尺度融合的柑橘叶片病虫害识别模型；S9病虫害类型识别，利用多尺度融合的柑橘叶片病虫害识别模型对S中的缺陷叶片图片进行识别，确定缺陷叶片图片中具体为那种病虫害。
[0007]进一步的，所述S3建立患病柑橘植株的诊断判别模型还包括以下步骤：S3.1提取光谱，采用一元求导、多元散射矫正和标准正态变换从预处理图像中提取出叶片光谱样本；
S3.2特征工程处理，对病虫害叶片光谱样本进行剔除异常数据得到全波段数据，使用连续投影算法提取特征波长；S3.3建立患病柑橘植株的诊断判别模型，对全波段数据使用卷积神经网络算法，对于所有特征波长使用支持向量机算法，建立分类模型。
[0008]S3.4模型验证和分析，使用ROC曲线进行比较分析，使用验证集数据优化模型参数。
[0009]进一步的，所述S6柑橘叶片检测算法设计包括以下步骤：S6.1缺陷叶片数据采集:采用公开数据集和无人机拍摄的方式；S6.2网络模型核心模块选择：采用CSPDarknet53的主干结构提取特征网络，使用Mish激活函数，CSPDarknet53通过Darknet53的基础上引入CSPNet产生的结构，把浅层特征进行划分，划分成两个部分进行不同的处理，再将它们合并；Darknet53由残差网络结构模块由一次下采样和多次残差结构的堆叠构成；回归网络模块采用SPPNet+FPN+PANet；S6.3实现与验证:在PlantVillage数据集上采用改进的YOLOv5网络模型对数据集进行训练。
[0010]进一步的，所述S8建立多尺度融合的柑橘叶片病虫害识别模型包括以下步骤：S8.1构建柑橘病虫害数据集:选取PlantVillage数据集作为数据集；S8.2模型预训练：使用PlantVillage数据集对病虫害识别模型进行预训练，获得模型预训练权重；S8.3模型的组建：通过对预训练模型结的构进行微调获得新模型；S8.4迁移训练与微调：通过使用柑橘病虫害数据进行训练，得到柑橘病虫害图像识别模型。
[0011]进一步的，所述S2高光谱预处理中采用Cube
‑
Pilot软件对高光谱立体影像进行格式转换，使用PhotoScan拼接高光谱影像，再进行照片对齐、建立密集点云、生成网格、生成纹理等操作后，完成全色图像拼接；最后导出全景正射影像。
[0012]进一步的，所述S3.2特征工程处理包括：S3.2.1光谱取平均：使用ENVI软件从叶片光谱样本中提取处的平均光谱；S3.2.2获取全波段数据：将平均光谱进行异常数据剔除，剔除完成后采用过采样，过采样后得到全波段数据；S3.2.3获取体征波长:对S3.2.2获取全波段数据中的全波段数据进行特征波段提取影像裁剪以及从S3.2.1光谱取平均中的平均光谱中提取，获得特征波段，对特征波段进行异常数据剔除和过采样获得特征波长。
[0013]进一步的，所述S6柑橘叶片检测算法设计和S8.建立多尺度融合的柑橘叶片病虫害识别模型前采用数据增强技术，通过采用生成对抗网络获得新的病害样本。
[0014]相比于现有技术，本专利技术的优点在于：一、本方案采用无人机拍摄柑橘园的高光谱图像，建立患病柑橘植株的诊断判别模型，通过患病柑橘植株的诊断判别模型快速定位和识别患病植株，通过柑橘叶片检测算法快速定位患病植株的缺陷叶片，通过多尺度融合的柑橘叶片病虫害识别模型对缺陷叶片分析判断出柑橘病虫害类型，避免人工介入，减少主观性，效率更高，降低成本，具有判断快
速、判断精度高、泛化能力良好等优点；二、迁移训练，通过改进VGG19网络结构，实现柑橘病虫害类型的准确、高效的自动识别。
[0015]三、基于深度卷积神经网络，利用生成对抗网络的生成器和鉴别器，生成更有代表性的新样本，增强柑橘病虫害数据集。
具体实施方式
[0016]一种基于无人机遥感图像技术的柑橘病虫害监测技术，包括以下步骤：S1采集高光谱，采用无人机搭载高速成像仪，采集整个柑橘种植园高光谱图像。
[0017]S2高光谱预处理，对无人机采集的整个柑橘种植园高光谱图像依次进行图像格式转换、数据清洗、影像拼接、影像矫正和影像裁剪得到预处理图像，采用Cube
‑
Pilot软件对高光谱立体影像进行格式转换，使用PhotoScan拼接高光谱影像，再进行照片对齐、建立密集点云、生成网格、生成纹理等操作后，完成全色图像拼接；最后导出全景正射影像。
[0018]S3建立患病柑橘植株的诊断判别模型,包括以下步骤：S3.1提取光谱，采用一元求导、多元散射矫正和标准正态变换从预处理图像中提取出叶片光谱样本；S3.2特征工程处理，包括：S3.2.1光谱取平均：使用ENVI软件从叶片光谱样本中提取处的平均光谱；S3.2.2获取全波段数据：将平均光谱进行异常数据剔除，剔除完成后采用过采样，过采样后得到全波段数据；S3.2.3获取体征波长:对S3.2.2获取全波段数据中的全波段数据进行特征波段提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机遥感图像技术的柑橘病虫害监测技术，其特征在于：包括以下步骤：S1采集高光谱，采用无人机搭载高速成像仪，采集整个柑橘种植园高光谱图像；S2高光谱预处理，对无人机采集的整个柑橘种植园高光谱图像依次进行图像格式转换、数据清洗、影像拼接、影像矫正和影像裁剪得到预处理图像；S3建立患病柑橘植株的诊断判别模型,从预处理图像中提出光谱，通过算法建立患病柑橘植株的诊断判别模型；S4定位识别患病植株，原始图像代入患病柑橘植株的诊断判别模型，快速定位和快速识别患病植株；S5拍摄患病植株，利用无人机抵近患病植株，拍摄患病植株的高清视频；S6柑橘叶片检测算法设计，以YOLOv5为基础进行改进，通过重新构建网络模型的目标候选框、优化网络结构等改进方法构建柑橘叶片检测算法；S7缺陷叶片识别，利用柑橘叶片检测算法对S采集到的高清视通过图像分割方法对缺陷叶片进行分割，产生缺陷叶片图片；S8建立多尺度融合的柑橘叶片病虫害识别模型，以VGG19网络模型为骨干网络并利用迁移学习实现预训练权重参数的共享，通过改进模型结构，实现多尺度特征的融合，建立多尺度融合的柑橘叶片病虫害识别模型；S9病虫害类型识别，利用多尺度融合的柑橘叶片病虫害识别模型对S中的缺陷叶片图片进行识别，确定缺陷叶片图片中具体为那种病虫害。2.根据权利要求1所述的一种基于无人机遥感图像技术的柑橘病虫害监测技术，其特征在于：所述S3建立患病柑橘植株的诊断判别模型还包括以下步骤：S3.1提取光谱，采用一元求导、多元散射矫正和标准正态变换从预处理图像中提取出叶片光谱样本；S3.2特征工程处理，对病虫害叶片光谱样本进行剔除异常数据得到全波段数据，使用连续投影算法提取特征波长；S3.3建立患病柑橘植株的诊断判别模型，对全波段数据使用卷积神经网络算法，对于所有特征波长使用支持向量机算法，建立分类模型；S3.4模型验证和分析，使用ROC曲线进行比较分析，使用验证集数据优化模型参数。3.根据权利要求1所述的一种基于无人机遥感图像技术的柑橘病虫害监测技术，其特征在于：所述S6柑橘叶片检测算法设计包括以下步骤：S6.1缺陷叶片数据采集:采用公开数据集和无人机拍摄的方式；S6.2网络模型核心模块选择：采用CSPDarknet53的主干结构提取特征网络，使用Mis...

【专利技术属性】
技术研发人员：黄钢，王海伦，张露，许大星，韩雪龙，
申请(专利权)人：衢州学院，
类型：发明
国别省市：