【技术实现步骤摘要】
一种基于Mask R
‑
CNN、小波变换和F
‑
RNet检测和鉴别茶树病虫害的方法
[0001]本专利技术属于计算机视觉领域,具体涉及一种基于
Mask R
‑
CNN、
小波变换和
F
‑
RNet
检测和鉴别茶树病虫害的方法
。
技术介绍
[0002]茶树(
Camellia sinensis (L.) O. Kuntze.
)是一种重要的经济作物,在热带和亚热带地区广泛种植
。
在茶树栽培过程中,经常会受到各种病虫危害,对茶叶生产造成重大损失
。
其中云纹叶枯病
、
轮斑病
、
茶煤病在各地茶园中经常发生,成为引起茶叶减产的三大重要病害
。
而绿盲蝽是一种重要的茶园害虫,其对茶树危害后会产生大量的叶部孔洞,严重降低茶叶品质和产量
。
对上述病虫危害症状的判断和分析,是茶园病虫害防控的重要依据
。
[0003]近年来,随着计算机视觉的兴起,高通量表型技术在作物病虫害识别中应用的越来越多
。
随着深度学习的发展,在特征提取
、
识别和分类方面取得了较好的进展,尤其是卷积神经网络(
CNN
)在特征提取
、
识别和分类中得到了广泛的应用
。
但对于茶树的云纹叶枯病和轮斑病,
CNN
却难以进 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于
Mask R
‑
CNN、
小波变换和
F
‑
RNet
检测和鉴别茶树病虫害的方法,其特征在于,包括以下步骤:
S1
:采集病虫害胁迫下的茶树叶部图像;
S2
:将步骤
S1
的茶树叶片病虫害胁迫下的图像进行预处理;
S3
:结合预处理后的病虫害图像利用
Mask R
‑
CNN
网络从茶树叶片中提取病斑和虫斑对其进行分割和第一次分类;
S4
:将分割后的病斑图像通过小波变换进行增强处理,提取茶树叶部病斑的特征信息;
S5
:将经过小波变换处理后得到的低频和高频图像利用
F
‑
RNet
网络对病虫斑图像进行分类
。2.
根据权利要求1所述的一种基于
Mask R
‑
CNN、
小波变换和
F
‑
RNet
检测和鉴别茶树病虫害的方法,其特征在于,所述步骤
S1
采集病虫害胁迫下的茶树叶部图像的步骤为:采用佳能
EOS 6D
数码相机在自然光条件下拍摄,且拍摄角度和拍摄距离随机;采集的病虫害胁迫下的茶树叶部图像以
JPG
格式保存,分辨率为
6000*4000。3.
根据权利要求1所述的一种基于
Mask R
‑
CNN、
小波变换和
F
‑
RNet
检测和鉴别茶树病虫害的方法,其特征在于,所述步骤
S2
中预处理茶树叶片病虫害胁迫下的图像的步骤为:
S21
:利用
Labelme
软件对病虫害胁迫下的茶树叶部图像进行手动标记;
S22
:用不同的颜色对病虫害危害的症状区域进行标记,并用不同颜色的标签对每种症状区域进行分类;
S23
:标签数据保存在与原始照片对应的
JSON
文件中;
S24
:将标签数据的
JSON
格式转换为
COCO
数据集格式,并将其输入神经网络进行训练
。4.
根据权利要求1所述的一种基于
Mask R
‑
CNN、
技术研发人员:丁兆堂,尹鑫悦,李赫,范凯,王玉,毛艺霖,
申请(专利权)人:青岛农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。