【技术实现步骤摘要】
本专利技术涉及图像识别领域，特别是涉及一种基于图片识别判断鲜食玉米果穗穗腐病病级的方法。
技术介绍
1、穗腐病是影响鲜食玉米产量和质量的重要病害，对农民的经济效益造成了严重影响。传统的穗腐病病级判断方法主要依赖于人工检测，效率低下且易受主观因素的影响。随着图像处理和机器学习技术的发展，利用图片识别技术进行病害检测成为一种新的发展方向。
2、申请号为cn202010330319.6的专利技术专利中公开了一种玉米病害病情分级方法、系统和计算机设备，方法包括：s1获取正常玉米叶片图像作和病害玉米叶片图像；s2搭建病害分类神经网络，采用迁移学习初始化卷积层和全连接层参数；s3搭建面积分割神经网络，采用迁移学习初始化前两层网络参数；s4将待检测叶片原图输入玉米病害分类神经网络得到病害分类信息；将原图输入面积分割神经网络得到病害区域和叶片主体区域的二值图像并计算病害区域的面积占比；s5根据病害分类信息和面积占比对病害病情进行分级。其提供了一种适应真实环境下拍摄的图片，无需采摘玉米叶片，自动对玉米常见叶部病害病情进行分级的方法，为玉米病害的分级识别，特别是早期诊断和预测预警奠定基础。但是其神经网络模型对于输入数据的质量和干扰较为敏感。在实际应用中，可能会受到光照条件、拍摄角度、图像清晰度等因素的影响，导致模型的不稳定性，从而使得病情分级结果的准确性不佳。
3、基于此，有必要提出一种准确性更高的鲜食玉米果穗穗腐病病级的方法。
技术实现思路
1、为了克服现有技术的不足，本专利
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于图片识别判断鲜食玉米果穗穗腐病病级的方法，包括：
4、收集包含穗腐病症状的鲜食玉米果穗图片，并对每张所述鲜食玉米果穗图片进行病级标注，得到标注数据集；
5、对所述标注数据集中的图像依次进行图像裁剪、图像增强和图像归一化，得到预处理数据集；
6、对所述预处理数据集进行滑动滤波窗口去噪，得到去噪数据集；
7、根据所述去噪数据集对初始网络进行训练，得到训练好的病级判断模型；
8、利用所述病级判断模型对待测图像进行病级判断，得到病级预测结果。
9、优选地，对所述预处理数据集进行滑动滤波窗口去噪，得到去噪数据集，包括：
10、使用预设的滤波窗口检测所述预处理数据集中的图像上的噪声点，得到噪声均值；
11、在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的预处理数据集中的图像进行去噪；
12、滑动所述滤波窗口，返回步骤“使用预设的滤波窗口检测所述预处理数据集中的图像上的噪声点，得到噪声均值”，直到遍历完成整个预处理数据集中的图像，得到去噪数据集。
13、优选地，使用预设的滤波窗口检测所述预处理数据集中的图像上的噪声点，得到噪声均值，包括：
14、根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型；所述噪声点检测模型为：；其中，f(x)表示像素点x的相似噪声值，u(x)表示像素点x的灰度值，表示像素点x的梯度均值，umean(x)表示以像素点x为中心的滤波窗口内所有像素点的灰度均值，表示像素点x的梯度均值，为以像素点x为中心的滤波窗口内所有像素点的灰度中值，表示像素点x在水平方向的梯度值，表示像素点x在垂直方向的梯度值；
15、利用所述噪声点检测模型对滤波窗口内各个图像点进行检测，得到每个图像点的相似噪声值；
16、将大于相似噪声值的相应图像点作为噪点；
17、根据噪点个数和滤波窗口内各个图像点的个数得到所述噪声均值。
18、优选地，在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的预处理数据集中的图像进行去噪，包括：
19、根据滤波窗口内所有像素点的灰度中值计算伪像素方差；其中，所述伪像素方差计算公式为：其中，表示像素点(a,b)在滤波窗口的大小为(2n+1)×(2n+1)的区域内的伪像素方差，mean(a,b)表示像素点(a,b)在滤波窗口的灰度中值，x(k,l)表示在(k,l)位置像素点的灰度值；
20、利用所述伪像素方差构建窗口去噪模型；所述窗口去噪模型的公式为：其中，f(a,b)表示像素点(a,b)在去噪后的灰度值，d为可调系数，x(a,b)表示像素点(a,b)在滤波窗口内的灰度值。
21、优选地，所述可调系数的获取方式包括：
22、对于每个像素点，在所述像素点的滤波窗口内计算灰度值的局部方差；
23、对于整幅所述预处理数据集中的图像，计算预处理数据集中的图像的灰度值的整体方差；
24、利用所述局部方差和所述整体方差计算可调系数；所述可调系数的计算公式为：其中，表示所述整体方差、表示所述局部方差。
25、优选地，所述初始网络为cnn-lstm组合神经网络模型；所述cnn-lstm组合神经网络模型包括cnn子网络和与所述cnn子网络连接的lstm网络。
26、优选地，所述cnn子网络包括依次设置的两个堆叠的卷积层、relu激活函数以及池化层；所述cnn神经网络模型用于输出特征提取后的数据。
27、优选地，所述lstm网络用于接收所述特征提取后的数据，通过lstm单元更新和传输过程以及线性层转换过程，得到预测病级结果。
28、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
29、本专利技术提供了一种基于图片识别判断鲜食玉米果穗穗腐病病级的方法，包括：收集包含穗腐病症状的鲜食玉米果穗图片，并对每张所述鲜食玉米果穗图片进行病级标注，得到标注数据集；对所述标注数据集中的图像依次进行图像裁剪、图像增强和图像归一化，得到预处理数据集；对所述预处理数据集进行滑动滤波窗口去噪，得到去噪数据集；根据所述去噪数据集对初始网络进行训练，得到训练好的病级判断模型；利用所述病级判断模型对待测图像进行病级判断，得到病级预测结果。本专利技术对图像进行裁剪、增强和归一化等预处理操作，有助于提高图像质量和减少噪声，从而提升后续处理和模型训练的效果，且采用滑动滤波窗口去噪技术可以有效降低图像中的噪声，并改善图像的质量，有利于后续模型的训练和测试。
本文档来自技高网...【技术保护点】
1.一种基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，包括：
2.根据权利要求1所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，对所述预处理数据集进行滑动滤波窗口去噪，得到去噪数据集，包括：
3.根据权利要求2所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，使用预设的滤波窗口检测所述预处理数据集中的图像上的噪声点，得到噪声均值，包括：
4.根据权利要求3所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的预处理数据集中的图像进行去噪，包括：
5.根据权利要求4所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，所述可调系数的获取方式包括：
6.根据权利要求1所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，所述初始网络为CNN-LSTM组合神经网络模型；所述CNN-LSTM组合神经网络模型包括CNN子网络和与所述CNN子网络连接的LSTM网络。
7.根据权利要求6所述的基
8.根据权利要求7所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，所述LSTM网络用于接收所述特征提取后的数据，通过LSTM单元更新和传输过程以及线性层转换过程，得到预测病级结果。
...【技术特征摘要】
1.一种基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，包括：
2.根据权利要求1所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，对所述预处理数据集进行滑动滤波窗口去噪，得到去噪数据集，包括：
3.根据权利要求2所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，使用预设的滤波窗口检测所述预处理数据集中的图像上的噪声点，得到噪声均值，包括：
4.根据权利要求3所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，在所述滤波窗口内噪声均值大于预设阈值时，对相应滤波窗口内的预处理数据集中的图像进行去噪，包括：
5.根据权利要求4所述的基于图片识别判断鲜食玉米果穗穗腐病病级的方法，其特征在于，所...
【专利技术属性】
技术研发人员：刘玉博，孙萍东，郑洪建，胡颖雄，王慧，卫季辉，卢媛，林金元，
申请(专利权)人：上海市农业科学院，
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。