基于图像识别的马铃薯病害检测方法和系统技术方案

本公开涉及一种基于图像识别的马铃薯病害检测方法，包括以下步骤：步骤1、客户端获取待识别的马铃薯叶片、根茎和薯块的图片，并上传到服务端；步骤2、服务端对所述图片进行预处理，之后将预处理后的图片送入深度学习模型；步骤3、深度学习模型对预处理后的图片提取高维特征后识别并标定出图片中包含的马铃薯病斑的类别和位置；步骤4、将识别出的病斑位置及其类别作为标记叠加到图片上，形成检测结果图片，以供客户端下载并显示。

Potato Disease Detection Method and System Based on Image Recognition

The present disclosure relates to a potato disease detection method based on image recognition, which includes the following steps: step 1, the client obtains pictures of potato leaves, roots and tubers to be identified, and uploads them to the server; step 2, the server preprocesses the pictures, and then sends the preprocessed pictures to the deep learning model; step 3, the deep learning model preprocesses the pictures; After extracting high-dimensional features, the image can identify and demarcate the types and locations of the potato lesions contained in the image. Step 4, the position and category of the identified lesions are superimposed on the image as markers to form a test result picture for downloading and displaying by the client.

【技术实现步骤摘要】
基于图像识别的马铃薯病害检测方法和系统
本专利技术属于计算机视觉、模式识别领域，尤其涉及基于深度学习的感兴趣目标检测与定位技术，更具体地，涉及基于图像识别的马铃薯病害检测方法和系统。
技术介绍
随着计算机视觉的出现以及深度学习网络的准确度和速度的大幅提升，日常生活中的更多图像识别任务可以用这些技术来满足工程需求。马铃薯病害检测亦是如此，为了让缺少相关知识的用户快速识别出马铃薯病害种类和发展程度，应用深度学习模型进行图像识别，特别是图像检测，是病害检测的重要发展趋势。如何让农民在马铃薯地里捕捉到病害叶片的10秒内，得知病害专业的检测结果和治疗方案，这是一个高度面向应用的技术课题，由此，一种基于图像识别的马铃薯病害检测新技术应运而生。这种新技术具有显著的便捷性、准确性、实时性。目前，基于图像识别的马铃薯病害检测技术主要有以下几类技术方案：技术方案(1)(参见参考文献1)该方案利用深度学习针对马铃薯叶部四种主要的病害图像进行识别，结合智能手机WebApp开发，实现了适用于马铃薯叶部病害图像的识别系统。该方案首先构建了9层网络结构模型，在网络的输入层随即对图像进行变换，对图像增加白化处理，设计三个卷积层和三个池化层对图像进行特征学习和二次特征的抽象，设计三个全连接层将卷积、池化层学习到的特征连接到该层设置的每个神经元，进而获取最高层次的图像特征；通过大量试验确定网络参数，采用2000个病害图像训练样本集训练网络模型，训练网络用时约3个小时，自动学习到384个病害图像特征，结合Softmax分类器构建识别模型，训练集的识别准确率达到86％。技术方案(1)的缺点第一：该方案只能识别马铃薯叶片，不能识别根茎和薯块；第二：该方案将问题处理成分类任务，使用的网络模型结构是一个9层的分类模型，只能粗略预测出叶片图像的类别，而且分类的精度易受到图像的背景、叶片上病斑的比例等诸多干扰的影响，例如一片含有5％病斑、而95％健康的叶片，该方案通常会错分；而在实际应用中，算法首先应该避免上述因素的影响，而且还需获得叶片上病斑的精确位置，定位病害区域对马铃薯病害检测有更大的帮助；第三：该方案训练深度网络使用的数据集很有限；第四：在实际图像识别问题中，越深的特征提取网络提取出的特征越利于识别和精确检测；第五：该方案需要额外下载自己开发的APP，在不同手机系统及版本之间难免会出现不兼容情况；技术方案(2)(参见参考文献2)该方案设计出一种基于机器视觉的马铃薯病害识别系统。该系统识别部分首先采集病害叶片图像，并进行小波去噪；随后利用传统的OTSU阈值算法分割图像，提取病害的颜色、形状、纹理特征；再送入支持向量机(SVM)分类器进行识别。该方案搭建了服务器端，提供了与客户端进行信息交互的接口，基于AndroidSDK设计了手机客户端，通过无线网络对服务器端进行访问。技术方案(2)的缺点第一：只能识别马铃薯叶片，不能识别根茎和薯块；第二：和方案1一样，同样采用图像分类思想来实现，存在无法精确定位等和方案1类似的问题；第二：传统的SVM分类器的准确率远低于基于深度学习的方法；第三：SVM算法对大数据训练样本难以实施，在实际应用中，马铃薯疫病叶片图像数据量很大，深度学习模型更能充分利用这些数据；第二：SVM算法解决多分类问题存在困难，而该方案没有应用决策树等相关技术克服这一缺陷。在马铃薯病害检测问题中，不仅涉及早疫病、晚疫病等常见病害，若加入其它外观特征难以区分的病毒性病害，它的效果将远差于擅长处理多类别任务的深度学习模型。
技术实现思路
考虑到现有技术的上述问题/需求，专利技术人提出了本专利技术，其使用的是图像检测方向中较为成熟的一种模型，在同等量级的深度学习模型中，较高的准确度、很短的检测时间以及在小物体检测上的出色发挥是它重要的优势，充分利用这些优势，得到了一种基于图像检测的马铃薯病害检测新方法。同时，随着智能手机以及微信的平民化，微信小程序成为了移动端重要的技术平台，其扫码推广、跨平台跨系统、便于版本更新的特性，十分适合作为手机上的客户端。根据本专利技术的实施例，提供了基于图像识别的马铃薯病害检测方法，包括以下步骤：步骤1、客户端获取待识别的马铃薯叶片、根茎和薯块的图片，并上传到服务端；步骤2、服务端对所述图片进行预处理，之后将预处理后的图片送入深度学习模型；步骤3、深度学习模型对预处理后的图片提取高维特征后识别并标定出图片中包含的马铃薯病斑的类别和位置；步骤4、将识别出的病斑位置及其类别作为标记叠加到图片上，形成检测结果图片，以供客户端下载并显示。本专利技术的有益效果包括：1、针对马铃薯叶片、根茎和薯块图片，能够准确分析出叶片、根茎和薯块上的病害病斑。应用深度模型进行检测，与之前方案的分类网络不同，能精确定位病害区域，同时深度网络的轻量化确保实时检测；2、客户端部署在微信小程序上，无需配置任何环境且操作简单上手无难度；3、可以获取检测反馈并且用反馈数据更新模型，在应用过程中不断提升检测效果和泛用性能。附图说明图1为根据本专利技术的实施例的基于图像识别的马铃薯病害检测方法的原理示意图；图2为说明根据本专利技术的实施例的基于图像识别的马铃薯病害检测方法的流程示意图；图3为说明根据本专利技术的实施例的基于图像识别的马铃薯病害检测系统的功能模块示意图；图4为根据本专利技术实施例的安装了应用程序的系统的运行环境的示意图。具体实施方式下面，结合附图对技术方案的实施作进一步的详细描述。本领域的技术人员能够理解，尽管以下的说明涉及到有关本专利技术的实施例的很多技术细节，但这仅为用来说明本专利技术的原理的示例、而不意味着任何限制。本专利技术能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本专利技术的原理和精神即可。另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。下文中，将描述用于进行本专利技术的实施例。注意，将以下面的次序给出描述：1、专利技术构思的概要(图1)；2、基于图像识别的马铃薯病害检测方法(图2)；3、基于图像识别的马铃薯病害检测系统(图3)；4、根据本专利技术的实施例的安装了应用程序的系统(图4)。1、专利技术构思的概要图1为根据本专利技术的实施例的基于图像识别的马铃薯病害检测方法的原理示意图。在马铃薯病害检测问题中，早疫病和晚疫病病害特征主要以病斑的形式出现在叶部，人工监测和诊断病害不仅成本较高、受主观因素影响，且效率较低。为了克服以上问题，本专利技术提出了一种基于图像识别的马铃薯病害检测新技术。属于图像识别领域，应用于马铃薯早疫病和晚疫病检测。本方法以深度学习网络提取的图像特征为基础，可以准确、实时地定位出马铃薯叶片、根茎、和薯块上病斑的位置和病害类型。相比于现有的技术方案，本专利技术将分类问题转化为检测问题，不仅可以判断出病害类别，还能准确定位，同时根据检测出的病害面积进行进一步诊断，相较分类任务提高了准确度和更为直观的可视化效果；初次训练即使用了人工精确标注的两万余张数据集，且后期还可通过用户反馈的图片对模型进行再训练，精确度上更有保证；此外，本专利技术采用的基础网络仅卷积层就有55层，在检测中还使用了多尺度特征提取技术，利用3个尺度上本文档来自技高网...

【技术保护点】
1.一种基于图像识别的马铃薯病害检测方法，包括以下步骤：步骤1、客户端获取待识别的马铃薯叶片、根茎和薯块的图片，并上传到服务端；步骤2、服务端对所述图片进行预处理，之后将预处理后的图片送入深度学习模型；步骤3、深度学习模型对预处理后的图片提取高维特征后识别并标定出图片中包含的马铃薯病斑的类别和位置；步骤4、将识别出的病斑位置及其类别作为标记叠加到图片上，形成检测结果图片，以供客户端下载并显示。

【技术特征摘要】
1.一种基于图像识别的马铃薯病害检测方法，包括以下步骤：步骤1、客户端获取待识别的马铃薯叶片、根茎和薯块的图片，并上传到服务端；步骤2、服务端对所述图片进行预处理，之后将预处理后的图片送入深度学习模型；步骤3、深度学习模型对预处理后的图片提取高维特征后识别并标定出图片中包含的马铃薯病斑的类别和位置；步骤4、将识别出的病斑位置及其类别作为标记叠加到图片上，形成检测结果图片，以供客户端下载并显示。2.根据权利要求1所述的马铃薯病害检测方法，其中，步骤1包括：用户通过客户端对马铃薯叶片、根茎和薯块进行拍照，形成所述图片。3.根据权利要求1所述的马铃薯病害检测方法，其中，所述预处理包括尺寸变换、归一化处理。4.根据权利要求1所述的马铃薯病害检测方法，还包括：步骤5、根据步骤4的识别结果，计算病斑面积占拍摄目标面积的比例，其中，所述拍摄目标包括叶片、根茎、薯块。5.根据权利要求4所述的马铃薯病害检测方法，还包括：步骤6、根据所述比例的大小确定马铃薯病害的严重程度，由此生成应在当前阶段采用的治疗方案，供客户端下载。6.根据权利要求5所述的马铃薯病害检测方法，还包括：步骤7、用户通过客户端下载识别结果之后，向服务端反馈所述识别的准确性；步骤8、服务端根据所述客户端的反馈，对深度学习模型进行更新训练。7.根据权利要求7所述的马铃薯病害检测方法，还包括：步骤9、服务端将所述检测结果图片补充到所述深度学习模型的训练集，对深度学习模型进行更新训练。8.根据权利要求4所述的马铃薯病害检测方法，其中，所述步骤3包括：步骤3-1、通过特征提取网络对输入图像提取特征，分别得到大、中、小三个不同尺度的...

【专利技术属性】
技术研发人员：赵志诚，刘昊成，苏菲，赵衍运，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11