一种基于深度循环的小麦赤霉病的检测方法及其系统技术方案

本发明专利技术公开了一种基于深度循环的小麦赤霉病的检测方法，包括如下步骤:S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到目标数据；S2、对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；S3、基于预处理的数据运用深度循环神经网络对数据进行训练；S4、基于训练的结果来分析深度循环神经网络模型的分类效果；本发明专利技术利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性。

【技术实现步骤摘要】
一种基于深度循环的小麦赤霉病的检测方法及其系统
本专利技术涉及小麦赤霉病的诊断方法领域，特别涉及一种基于深度循环的小麦赤霉病的检测方法及其系统。
技术介绍
小麦赤霉病是小麦的重要病害，其主要分布于潮湿和半潮湿区域，尤其气候湿润多雨的温带地区受害严重，在我国一直是淮河以南及长江中下游麦区发生最严重的病害之一。而近年来，安徽地区的小麦赤霉病已从常发区的淮南麦区推进到淮北麦区。小麦感染赤霉病后如果防治不当会造成减产，严重的会造成绝收，给生产造成严重产量损失和品质影响。当小麦被真菌感染后，会产生多种真菌毒素，其中最严重的是脱氧雪腐镰刀菌烯醇(DON)，会对人、畜造成严重的伤害，而且会在食物链中长期存留。高光谱成像技术是集光学、电子学、光电子学、计算机科学、信息处理等先进技术为一体的光学图像采集分析技术，可同时获取研究对象的图像信息和光谱信息。因为高光谱图像具有波段多、分辨率高、操作简单、对样品无损害、光谱范围窄、无污染、波段连续、数据量大、信息冗余量大，因而被人们广泛研究应用，尤其是应用于农业领域。陈纳等人利用高光谱成像技术对油菜菌核病进行快速诊断研究；张航利用高光谱成像技术对皮棉中的地膜进行识别方法的研究；张琳利用高光谱成像技术对病害的诊断方法进行研究；尹丽华利用高光谱成像技术对鲜枣进行分级研究；Yeh等人采用了不同的分析方法对草莓叶面炭疽病进行了高光谱诊断研究；Gabriel等通过研究蓝莓500～1000nm范围的高光谱数据与内部硬度、可溶性固形物含量的相关关系等。当前对于作物病害的检测方法是大多数集中在图像检测和光谱检测，而高光谱成像诊断技术是目前国际上检测农作物病虫害先进的方法之一。虽然高光谱成像诊断技术备受专家学者的关注，但由于高光谱图像数据的空间维度高、数据信息量大等特点，绝大部分应用只能基于成熟的软件开展进行，并且很难从冗余的数据中准确提取到有效的特性信息对病害进行分类。因此大范围、高纬度、大数据级的高光谱数据建模方法研究是现在高光谱研究中的重点和难点。为解决以上高光谱数据的问题，本专利主要基于深度学习方法，通过建立深度卷积-循环混合神经网络模型来对小麦赤霉病进行诊断。现阶段国内外对于小麦赤霉病的诊断存在以下三方面问题：1.植保方面专家没有足够时间诊治农事活动中出现的所有问题；2.传统的农作物病害诊断方法存在一定的缺陷，普通农民工作者对病害专业知识的掌握较为欠缺；3.当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题。因此，研究一种对小麦赤霉病检测速度快、检测准确度高的方法对于精确防控和诊断病害具有重要意义。
技术实现思路
本专利技术提供一种基于深度循环的小麦赤霉病的检测方法，其解决了当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题，该模型诊断小麦赤霉病的准确率高。该模型在学习的过程中，以时间轴为基础，从中提取有效的时间序列特征对图像进行分类。由于本实验的高光谱图像为十五天连续拍摄，所以其时间序列特征可以有效地对小麦赤霉病进行诊断，所以深度循环神经网络诊断小麦赤霉病的准确率高。本专利技术解决其技术问题所采用的技术方案是：一种基于深度循环的小麦赤霉病的检测方法，包括以下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；S3、基于预处理的数据运用深度循环神经网络模型进行训练；深度循环神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；S4、基于训练得到的模型准确率和损失率来分析深度循环神经网络模型的分类效果。优选的，所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；所述的数据集分为70％的训练集和30％的验证集。优选的，所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理。优选的，所述深度循环神经网络是时间序列数据的经典框架，其由原始的深度循环神经网络改进得到的模型框架：LSTM框架和GRU框架；所述LSTM框架和GRU框架均有三个堆积层；所述LSTM框架由三个门组成：一个忘记门，一个输入门，一个输出门；所述GRU框架比LSTM框架多一个更新门和一个输入门。优选的，所述步骤S4具体包括：利用数据训练之后得到的精确度P、召回率R和F1分数来评估模型以确定小麦是否感染赤霉病；所述精确度P由以下公式得出：所述召回率R由以下公式得出：所述F1分数由以下公式得出：其中，公式中的TP代表模型预测为正的正样本，称作判断为真的正确率；TN代表模型预测为负的负样本，称作判断为假的正确率；FP代表模型预测为正的负样本，称作误报率；FN代表模型预测为负的正样本，称作漏报率。优选的，所述的一种基于深度循环的小麦赤霉病的检测方法的病害分类系，包括以下模块：噪声去除模块，用于采集小麦麦穗高光谱图像，并对高光谱图像进行去除噪声处理，得到目标数据；第一处理模块，用于对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；第二处理模块，用于基于预处理的数据运用深度循环神经网络对数据进行训练；病害分类模块，用于基于训练的结果来分析深度循环神经网络模型的分类效果。本专利技术提供一种基于深度循环的小麦赤霉病的检测方法，该模型诊断小麦赤霉病的准确率高。该模型在学习的过程中，以时间轴为基础，从中提取有效的时间序列特征对图像进行分类。由于本实验的高光谱图像为十五天连续拍摄，所以其时间序列特征可以有效地对小麦赤霉病进行诊断，所以深度循环神经网络诊断小麦赤霉病的准确率高。附图说明图1为本专利技术方法流程示意图；图2为小麦赤霉病高光谱图像及其感兴趣区域；图3为深度循环神经网络模型。具体实施方式下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。如图1所示，本专利技术实施例提供一种基于深度循环的小麦赤霉病的检测方法，包括如下步骤:S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；S3、基于预处理的数据运用深度循环神经网络模型进行训练；深度循环神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；S4、基于训练得到的模型准确率和损失率来分析深度循环神经网络模型的本文档来自技高网...

【技术保护点】
1.一种基于深度循环的小麦赤霉病的检测方法，其特征在于，包括以下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；S3、基于预处理的数据运用深度循环神经网络模型进行训练；深度循环神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；S4、基于训练得到的模型准确率和损失率来分析深度循环神经网络模型的分类效果。

【技术特征摘要】
1.一种基于深度循环的小麦赤霉病的检测方法，其特征在于，包括以下步骤：S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；S3、基于预处理的数据运用深度循环神经网络模型进行训练；深度循环神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；S4、基于训练得到的模型准确率和损失率来分析深度循环神经网络模型的分类效果。2.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；所述的数据集分为70％的训练集和30％的验证集。3.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理。4.根据权利要求1所述的一种基于深...

【专利技术属性】
技术研发人员：李绍稳，金秀，许高建，傅运之，王帅，朱娟娟，方向，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽,34