一种小麦赤霉病病穗率自动统计方法技术

本发明专利技术涉及一种小麦赤霉病病穗率自动统计方法，与现有技术相比解决了赤霉病图像易受到背景、光照及遮挡影响导致难以识别的缺陷。本发明专利技术包括以下步骤：小麦赤霉病图像的获取和预处理；构建小麦赤霉病图像麦穗检测模型；训练深度卷积神经网络；待统计小麦赤霉病图像的收集和预处理；正常麦穗和发病麦穗的计数；计算病穗率。本发明专利技术通过机器视觉的方法实现小麦赤霉病病穗率自动统计，提高了小麦赤霉病病穗率统计的智能化水平、鲁棒性及检测精度。

【技术实现步骤摘要】
一种小麦赤霉病病穗率自动统计方法
本专利技术涉及图像识别
，具体来说是一种小麦赤霉病病穗率自动统计方法。
技术介绍
小麦赤霉病是小麦的主要病害之一，它是一种爆发性和毁灭性强的流行性病害，可导致小麦严重减产乃至绝收，并且病麦还包含对人畜有害的毒素。小麦赤霉病病穗率统计是小麦赤霉病害防治工作的重要内容，是防控和科学安全用药的前提和基础。现有的小麦赤霉病病穗率统计主要是依靠植保专家和农技人员来完成的，但是人力有限、人工统计实时性差、效率低下，且主观性较大，致使小麦赤霉病预测预报难以有效的开展。随着计算机视觉技术的快速发展，基于图像的小麦赤霉病病穗率自动统计技术得到了广泛的研究，这种方法在实验室可控环境下性能卓越。然而在实际麦田场景中，采集到的赤霉病图像很容易受到复杂的背景、光照及遮挡等影响，导致现有的赤霉病病穗率统计方法鲁棒性差、检测精度低。因此，如何提高小麦赤霉病病穗率自动统计的客观性、鲁棒性以及检测精度已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中赤霉病图像易受到背景、光照及遮挡影响导致难以识别的缺陷，提供一种小麦赤霉病病穗率自动统计方法来解决上述问题。为了实现上述目的，本专利技术的技术方案如下：一种小麦赤霉病病穗率自动统计方法，包括以下步骤：11)小麦赤霉病图像的获取和预处理，获取若干幅小麦赤霉病图像，获取图像当月的平均气温、降水量及雨日数作为气候因子，将小麦赤霉病图像和气候因子作为训练样本；12)构建小麦赤霉病图像麦穗检测模型，构造融合气候因子的深度卷积神经网络；13)训练深度卷积神经网络；14)待统计小麦赤霉病图像的收集和预处理，获取待统计图像并将图像的大小归一化为600×1000像素，得到待统计图像；15)正常麦穗和发病麦穗的计数，将待统计图像进行候选框提取，提取出麦穗候选框，将麦穗候选框输入训练好的小麦赤霉病图像麦穗检测模型，根据设定的阈值，统计正常麦穗和发病麦穗的个数；16)计算病穗率，其计算公式如下：其中，p表示赤霉病病穗率，d表示赤霉病麦穗个数，n表示正常麦穗个数。所述构造融合气候因子的卷积神经网络包括以下步骤：21)在AlexNet网络的基础上构建一个8层的卷积神经网络，8层的卷积神经网络分为AlexNet卷积层子网络、气候因子子网络以及AlexNet全连接子网络共三个子网络，其中，AlexNet卷积层子网络为5层的卷积网络，气候因子子网络为3层的全连接网络，AlexNet全连接子网络为一个3层的全连接网络；22)设定气候因子子网络的输出和AlexNet卷积层子网络的输出连接起来作为AlexNet全连接子网络的输入；23)AlexNet全连接子网络的输出连接Softmax分类器。所述训练深度卷积神经网络包括以下步骤：31)对训练样本的小麦赤霉病图像进行候选框的提取，生成麦穗候选框；32)将麦穗候选框和气候因子输入深度卷积神经网络进行训练；321)将麦穗候选框输入AlexNet卷积层子网络，得到图像特征向量；322)将气候因子信息输入气候因子子网络，得到气候因子特征向量；333)将气候因子特征向量与赤霉病图像特征向量连接起来，输入AlexNet全连接子网络，得到融合特征向量；334)将融合特征向量输入Softmax分类器，计算实际输出和理想输出的差，按照极小化误差的方法反向传播，完成深度卷积神经网络的训练。所述对训练样本的小麦赤霉病图像进行候选框的提取包括以下步骤：41)对小麦赤霉病图像进行超像素预处理，使用均值漂移方法对小麦赤霉病图像进行超像素预处理得到超像素图像；42)对小麦赤霉病超像素图像进行区域合并，根据小麦赤霉病图像中麦穗和背景的特点，提取超像素的颜色特征，将具有相似颜色特征的区域进行合并，得到麦穗候选框，其包括以下步骤：421)将图像的RGB空间转为Lab空间，每个颜色通道划分为30个区间，分别计算L、a、b通道的颜色直方图分布，得到一个k维(k＝90)的特征chm，422)将颜色直方图分布进行归一化处理，超像素m,n之间的距离定义为：abs表示绝对值，d(m,n)越大表示区域m,n之间的距离越近，相似度越高；43)生成候选框。所述生成候选框包括以下步骤：51)设定超像素图像中间点的超像素为区域合并的起点，并设定超像素的距离阈值、麦穗框最大像素值阈值、麦穗框最小像素值阈值；52)从中间点超像素开始，计算该超像素与周边相连接的超像素的距离，将小于该距离阈值的超像素合并；53)重复以上51)至52)步骤，直至完成所有超像素的合并；计算所有合并后的超像素区域的像素值，大于麦穗框最大像素值阈值的视为背景，丢弃；小于麦穗框最小像素值阈值的视为噪声，丢弃；得到初始麦穗候选框；54)计算所有初始麦穗候选框的外切矩形，并按照1:2、1:1、2:1的尺度重构初始麦穗候选框，得到矩形麦穗候选框。所述正常麦穗和发病麦穗的计数包括以下步骤：61)将待统计图像输入训练好的小麦赤霉病图像麦穗检测模型，得到正常麦穗和发病麦穗的分类概率；62)设置正常麦穗分类阈值为0.8，将概率大于0.8的正常麦穗的个数累加，得到正常麦穗的个数；63)设置发病麦穗分类阈值为0.7，将概率大于0.7的发病麦穗的个数累加，得到发病麦穗的个数。有益效果本专利技术的一种小麦赤霉病病穗率自动统计方法，与现有技术相比通过机器视觉的方法实现小麦赤霉病病穗率自动统计，提高了小麦赤霉病病穗率统计的智能化水平、鲁棒性及检测精度。本专利技术针对采集环境中小麦赤霉病易在不同光照下与复杂背景融入一体的实际特点，通过基于区域合并的候选框生成方法快速、准确的生成候选框，以此作为神经网络准确辨识的基础，也是提高麦穗检测精度的基础。通过将AlexNet网络的前5层作为AlexNet卷积层子网络，能够提取小麦赤霉病图像中麦穗的本质特征，有利于麦穗候选框的正确分类；并且通过在网络中融入气候因子，利用小麦赤霉病季节性呈现的特点，将小麦赤霉病与发生环境形成紧密联系，从而进一步地增加小麦赤霉病的判断准确度。附图说明图1为本专利技术的方法顺序图；图2为使用fasterrcnn方法的小麦赤霉病检测效果图；图3为使用本专利技术所述方法的小麦赤霉病检测效果图。具体实施方式为使对本专利技术的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：如图1所示，本专利技术所述的一种小麦赤霉病病穗率自动统计方法，包括以下步骤：第一步，小麦赤霉病图像的获取和预处理。获取若干幅小麦赤霉病图像，获取图像当月的平均气温、降水量及雨日数作为气候因子，小麦赤霉病图像和气候因子作为训练样本。第二步，构建小麦赤霉病图像麦穗检测模型。构造融合气候因子的深度卷积神经网络。深度卷积神经网络是基于深度学习理论的一种人工神经网络，该网络可直接从原始图像中自动学习并提取特征，并且具有位移不变性、缩放不变性以及扭曲不变性。考虑到小麦赤霉病的发生跟月平均气温、降水量及雨日数等气候因子有密切关系，在此构造融合气候因子的卷积神经网络用于正常麦穗和发病麦穗的分类。构造融合气候因子的深度卷积神经网络包括以下步骤：(1)在AlexNet网络的基础上构建一个8层的卷积神经网络，8层的卷积神经网络包括AlexNet卷积层子网络、气候因子子网络以及AlexNet全连接子网络共三本文档来自技高网...

【技术保护点】
1.一种小麦赤霉病病穗率自动统计方法，其特征在于，包括以下步骤：11)小麦赤霉病图像的获取和预处理，获取若干幅小麦赤霉病图像，获取图像当月的平均气温、降水量及雨日数作为气候因子，将小麦赤霉病图像和气候因子作为训练样本；12)构建小麦赤霉病图像麦穗检测模型，构造融合气候因子的深度卷积神经网络；13)训练深度卷积神经网络；14)待统计小麦赤霉病图像的收集和预处理，获取待统计图像并将图像的大小归一化为600×1000像素，得到待统计图像；15)正常麦穗和发病麦穗的计数，将待统计图像进行候选框提取，提取出麦穗候选框，将麦穗候选框输入训练好的小麦赤霉病图像麦穗检测模型，根据设定的阈值，统计正常麦穗和发病麦穗的个数；16)计算病穗率，其计算公式如下：

【技术特征摘要】
1.一种小麦赤霉病病穗率自动统计方法，其特征在于，包括以下步骤：11)小麦赤霉病图像的获取和预处理，获取若干幅小麦赤霉病图像，获取图像当月的平均气温、降水量及雨日数作为气候因子，将小麦赤霉病图像和气候因子作为训练样本；12)构建小麦赤霉病图像麦穗检测模型，构造融合气候因子的深度卷积神经网络；13)训练深度卷积神经网络；14)待统计小麦赤霉病图像的收集和预处理，获取待统计图像并将图像的大小归一化为600×1000像素，得到待统计图像；15)正常麦穗和发病麦穗的计数，将待统计图像进行候选框提取，提取出麦穗候选框，将麦穗候选框输入训练好的小麦赤霉病图像麦穗检测模型，根据设定的阈值，统计正常麦穗和发病麦穗的个数；16)计算病穗率，其计算公式如下：其中，p表示赤霉病病穗率，d表示赤霉病麦穗个数，n表示正常麦穗个数。2.根据权利要求1所述的一种小麦赤霉病病穗率自动统计方法，其特征在于，所述构造融合气候因子的卷积神经网络包括以下步骤：21)在AlexNet网络的基础上构建一个8层的卷积神经网络，8层的卷积神经网络分为AlexNet卷积层子网络、气候因子子网络以及AlexNet全连接子网络共三个子网络，其中，AlexNet卷积层子网络为5层的卷积网络，气候因子子网络为3层的全连接网络，AlexNet全连接子网络为一个3层的全连接网络；22)设定气候因子子网络的输出和AlexNet卷积层子网络的输出连接起来作为AlexNet全连接子网络的输入；23)AlexNet全连接子网络的输出连接Softmax分类器。3.根据权利要求1所述的一种小麦赤霉病病穗率自动统计方法，其特征在于，所述训练深度卷积神经网络包括以下步骤：31)对训练样本的小麦赤霉病图像进行候选框的提取，生成麦穗候选框；32)将麦穗候选框和气候因子输入深度卷积神经网络进行训练；321)将麦穗候选框输入AlexNet卷积层子网络，得到图像特征向量；322)将气候因子信息输入气候因子子网络，得到气候因子特征向量；333)将气候因子特征向量与赤霉病图像特征向量连接起来，输入AlexNet全连接子网络，得到融合特征向量；334)将融合特征向量输入Softmax分类...

【专利技术属性】
技术研发人员：张洁，王儒敬，谢成军，李瑞，陈天娇，陈红波，胡海瀛，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34