一种基于深度卷积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卷积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得到灰度图像，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卷积神经网络对数据进行训练；S4、基于训练的结果来分析深度卷积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。

A Deep Convolution-based Detection Method and System for Wheat Scab

The invention discloses a method for detecting wheat scab based on deep convolution, which includes the following steps: S1, collecting hyperspectral image pixels of wheat ears, undersampling hyperspectral image pixels to solve the problem of unbalanced data sets, and obtaining target data; S2, remodeling two-dimensional image of target data to obtain gray image, and based on gray image. For example, pretreatment is carried out; S3, deep convolution neural network is used to train data based on pretreated data; S4, the classification effect of deep convolution neural network model is analyzed based on training results; the method uses hyperspectral imaging technology to detect wheat scab quickly and without damage in early stage, and improves the accuracy of the classification results of the tested wheat region.

【技术实现步骤摘要】
一种基于深度卷积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卷积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本文档来自技高网...

【技术保护点】
1.一种基于深度卷积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、基于预处理得到的数据对深度卷积神经网络模型进行训练,深度卷积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...

【技术特征摘要】
1.一种基于深度卷积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、基于预处理得到的数据对深度卷积神经网络模型进行训练,深度卷积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卷积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卷积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卷积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...

【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