【技术实现步骤摘要】
本专利技术属于芦荟病害分割的，具体涉及一种基于改进deeplab v3+的芦荟病害分级系统及其方法。
技术介绍
1、芦荟是一种广泛分布于世界各地的多肉植物,不但可以食用，同时具有许多医药、美容等应用价值，同时，芦荟在全球范围内的市场规模不断扩大。然而，芦荟也十分容易受病害感染，以叶斑病、炭疽病为主的芦荟病害严重影响了芦荟的产量。现代农业生产中，农作物病害的及时识别和精确分类对于农作物健康和产量至关重要，特别是在芦荟种植中，病害的管理直接影响着其经济效益和品质稳定性，如果不及时发现并对病害程度进行评估和有效防治，则会造成损失。因此，对芦荟病害分割，病害程度分级有重要意义。
2、当前，传统的病害识别方法主要依赖于人工观察和经验判断，这种方法存在主观性强、效率低下和诊断准确率不高的问题。并且对于大面积大规模的芦荟田病害勘察，传统方法不但十分耗费时间和人力，同时容易出现误差，很难达到应有效果。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于改进deeplabv3+的芦荟病害分级系统及其方法，使用改进的deeplab v3+语义分割算法对芦荟叶片及其表面病斑进行分割，实现对芦荟叶片表面病害的分割识别以及对其病害程度的分级，具有较高的精度和效率，可实现对芦荟病害的识别和分级研究，有效解决了人工识别的不足。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供了一种基于改进deeplab v3+的芦荟病害分级
4、所述数据采集模块，用于获取芦荟俯拍或侧拍叶片数据；
5、所述数据预处理模块，对采集的芦荟数据视频进行预处理，得到图片数据集，并对芦荟叶片及其叶片表面病斑进行标注，最后对数据集进行划分；
6、所述语义分割模块，用于对芦荟叶片及表面病斑进行特征提取，得到芦荟叶片识别和病斑分割结果；所述语义分割模块采用uamt网络框架，所述uamt框架包括教师模型tnet和学生模型snet，并在“预测一致性”部分增加了对不确定信息的约束，以在计算一致性损失时，只对教师模型tnet和学生模型snet预测偏差较小的结果进行学习，而对预测偏差较大的结果进行抑制；所述教师模型tnet和学生模型snet结构相同，均采用改进的deeplab v3+网络；所述uamt网络框架采用改进的deeplab v3+网络进行芦荟植株检测过程中的深度学习，通过评估教师网络预测过程中的不确定性，提高了网络输出的置信度；采用轻量高效的mobilenetv2架构对模型骨干网络进行优化，并在主干网络引入了多尺度注意力模块并插入cbam注意力机制，以提升语义分割模块的效率与实时性；
7、所述性能估算模块，用于对检测结果进行评估，测试检测结果的miou、mpa和准确率，若低于设定阈值则返回语义分割模块，改进方案，重新进行特征提取；
8、所述输入模块，用于所需进行芦荟病害检测的图片信息输入模型；
9、所述识别模块，用于输入的视频或图像中的芦荟叶片及其表面病斑进行识别并分割；
10、所述分级模块，用于对识别模块的分割结果进行计算，对芦荟病害程度进行分级；
11、所述输出模块，用于将病害识别及分级的数据输出并呈现至终端显示设备，同时将计算的结果进行加权输出；
12、所述数据库，用于储存芦荟叶片及表面病斑特征。
13、作为优选的技术方案，所述获取芦荟俯拍或侧拍叶片数据具体为：
14、使用无人机或手持终端摄照片获取芦荟俯拍或侧拍叶片的视频数据。
15、作为优选的技术方案，所述预处理为均值归一化，特征缩放公式为：
16、
17、式中，x′为被平均归一化后的值，x为原始值；max(x)表示样本数据的最大值，min(x)表示样本数据的最小值。
18、作为优选的技术方案，所述改进的deeplab v3+网络包括编码器和解码器，所述多尺度注意力模块msa在不同尺度的特征上引入了空间通道注意力模块cbam，然后融合了不同尺度的增强特征表示，进一步增强了不同尺度特征图的表示能力；所述deeplab v3+网络选取骨干网络mobilenetv2中的第4层和第8层作为特征提取的关键层级，这两层分别对应输入图像的1/4和1/16尺度，其初始通道数分别为24和64，有效捕捉了从精细纹理到高级语义的不同层次特征；为确保后续处理中特征图在空间维度上的一致性，先对尺寸较小的第8层特征图进行4倍上采样操作，以匹配第4层特征图的空间分辨率，再将采样后的特征图分别输入cbam模块；最后，经过cbam模块增强的两个特征图被有效地组合在一起，组合后的特征图包含不同层次的特征信息，并具有更丰富的语义和空间信息。
19、作为优选的技术方案，所述cbam模块能够自适应地调整卷积神经网络中的特征图，当给定一个中间特征图，cbam模块沿着通道和空间两个维度计算注意力图，然后将这些注意力图应用于输入特征图进行自适应特征改进。
20、作为优选的技术方案，所述性能估算模块对接收到的数据与目标检测模块的特征提取结果进行比对，结果包括四部分，tp是正类判定为正类，tn是负类判定为负类，fn是正类判定为负类，fp是负类判定为正类；
21、选择miou、mpa和准确率作为算法的评价指标；
22、miou的计算公式为：
23、mpa的计算公式为：
24、准确率的计算公式为：
25、所有评价指标越接近1，效果越好。
26、第二方面，本专利技术提供了一种基于改进deeplab v3+的芦荟病害分级方法，包括下述步骤：
27、s1、获取芦荟俯拍或侧拍叶片数据；
28、s2、对拍摄的视频数据进行预处理，通过python程序每隔0.5-1s截取一张视频截图，筛选出可用的图片并按照设定比例随机分布成训练集和测试集；
29、s3、使用labelme工具对实验数据中的芦荟对象进行标注，将输出的json文件转换为voc格式的png图片进行存储，图片中像素点不同颜色分类代表芦荟的健康叶片、病斑以及过滤的背景；
30、s4、将标注数据放入语义分割模块，对改进deeplab v3+进行深度学习，将miou、mpa和准确率作为算法的评价指标，若评价指标小于设定阈值，则改进方案，将错误识别数据重新对检测模型进行训练，并将深度学习结果修正后存储于模型库中，从而实现对芦荟叶片病害的分割检测效果；
31、s5、用户通过可视化平台，输入所需检测芦荟叶片图片，模型可对芦荟叶片表面病斑进行分割，同时根据病斑面积在叶片总面积占比的计算实现对芦荟病害的分级研究。
32、作为优选的技术方案，步骤s1，具体为：
33、操纵无人机飞行于芦荟大田上方，飞行高度设本文档来自技高网...
【技术保护点】
1.基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，包括数据采集模块、数据预处理模块、语义分割模块、性能估算模块、输入模块、识别模块、分级模块、输出模块和数据库；
2.根据权利要求1所述基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，所述获取芦荟俯拍或侧拍叶片数据具体为：
3.根据权利要求1所述基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，所述预处理为均值归一化，特征缩放公式为：
4.根据权利要求1所述基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，所述改进的Deeplab v3+网络包括编码器和解码器，所述多尺度注意力模块MSA在不同尺度的特征上引入了空间通道注意力模块CBAM，然后融合了不同尺度的增强特征表示，进一步增强了不同尺度特征图的表示能力；所述Deeplab v3+网络选取骨干网络MobilenetV2中的第4层和第8层作为特征提取的关键层级，这两层分别对应输入图像的1/4和1/16尺度，其初始通道数分别为24和64，有效捕捉了从精细纹理到高级语义的不同层次特征；为确保后续处
5.根据权利要求4所述基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，所述CBAM模块能够自适应地调整卷积神经网络中的特征图，当给定一个中间特征图，CBAM模块沿着通道和空间两个维度计算注意力图，然后将这些注意力图应用于输入特征图进行自适应特征改进。
6.根据权利要求1所述基于改进Deeplab v3+的芦荟病害分级系统，其特征在于，所述性能估算模块对接收到的数据与目标检测模块的特征提取结果进行比对，结果包括四部分，TP是正类判定为正类，TN是负类判定为负类，FN是正类判定为负类，FP是负类判定为正类；
7.基于改进Deeplab v3+的芦荟病害分级方法，其特征在于，包括下述步骤：
8.根据权利要求7所述的基于改进Deeplab v3+的芦荟病害分级方法，其特征在于，步骤S1，具体为：
9.根据权利要求8所述的基于改进Deeplab v3+的芦荟病害分级方法，其特征在于，所述步骤S4中，对改进Deeplab v3+进行深度学习，具体为：
10.根据权利要求7所述的基于改进Deeplab v3+的芦荟病害分级方法，其特征在于，所述步骤S4中，所述阈值为0.9。
...【技术特征摘要】
1.基于改进deeplab v3+的芦荟病害分级系统，其特征在于，包括数据采集模块、数据预处理模块、语义分割模块、性能估算模块、输入模块、识别模块、分级模块、输出模块和数据库；
2.根据权利要求1所述基于改进deeplab v3+的芦荟病害分级系统，其特征在于，所述获取芦荟俯拍或侧拍叶片数据具体为：
3.根据权利要求1所述基于改进deeplab v3+的芦荟病害分级系统，其特征在于，所述预处理为均值归一化，特征缩放公式为：
4.根据权利要求1所述基于改进deeplab v3+的芦荟病害分级系统，其特征在于，所述改进的deeplab v3+网络包括编码器和解码器，所述多尺度注意力模块msa在不同尺度的特征上引入了空间通道注意力模块cbam，然后融合了不同尺度的增强特征表示，进一步增强了不同尺度特征图的表示能力；所述deeplab v3+网络选取骨干网络mobilenetv2中的第4层和第8层作为特征提取的关键层级，这两层分别对应输入图像的1/4和1/16尺度，其初始通道数分别为24和64，有效捕捉了从精细纹理到高级语义的不同层次特征；为确保后续处理中特征图在空间维度上的一致性，先对尺寸较小的第8层特征图进行4倍上采样操作，以匹配第4层特征图的空间分辨率，再将采样后的特征图分别输入cbam模块；最后，经过cbam模块...
【专利技术属性】
技术研发人员：岳学军，钟文山，李炫天，陈俊致，陈彪，蔡新鹏，张乐，陈强，黄旭煌，温嘉杰，周意，邱岳，秦臻，
申请(专利权)人：华南农业大学，
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。