一种基于图像的农作物病虫害检测方法、系统及设备技术方案

一种基于图像的农作物病虫害检测方法、系统及设备，属于农作物病虫害检测技术领域。为了解决现有的农作物病虫害检测方法不能兼顾准确率和模型训练时间的问题。本发明专利技术所述的方法中，首先采集检测区域的农作物的图像；然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型；农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同。主要用于农作物病虫害检测。

【技术实现步骤摘要】
一种基于图像的农作物病虫害检测方法、系统及设备
本专利技术属于农作物病虫害检测

技术介绍
每年有大量的粮食及其他农作物因病虫害的影响，导致的损失十分巨大。基于及时检测和防治的要求，农作物的病虫害的智能检测受到了极大地重视。随着图像识别及人工智能技术的发展，目前已经有很多专家和学者展开了农作物病虫害的智能检测，有的已经取得了很不错的效果。但是仍然存在着几方面的问题亟需解决。如果利用深度学习技术进行农作物病虫害的检测则会面临着一个问题：想要得到较好的农作物检测准确率，基本都是需要增加学习模型的深度(增加神经网络的深度)，并且提供大量的训练图像进行训练，这样就会导致模型的训练过程变得愈发困难，一方面训练时间过长，另一方面随着深度的增加，可能出现梯度发散的问题，不仅会进一步导致训练时间加长，甚至可能出现不能够收敛的问题。还有就是如果想要取得非常高的病虫害检测准确率，那么现有的模型都是通过单一训练的方式来实现，即一种病虫害检测模型仅能针对一种农作物进行检测，这种情况下才能取得较好的效果。但是这样就存在使用不方便的问题，每个农作物本文档来自技高网...

【技术保护点】
1.一种基于图像的农作物病虫害检测方法，其特征在于，包括以下步骤：/n采集检测区域的农作物的图像；/n农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；/n然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。/n

【技术特征摘要】
1.一种基于图像的农作物病虫害检测方法，其特征在于，包括以下步骤：
采集检测区域的农作物的图像；
农作物病虫害检测模型由前端识别网络与整体后端识别网络串联构成；所述整体后端识别网络由n个后端识别网络并行构成，n个后端识别网络的网络结构相同；
然后将检测区域的农作物的图像输入农作物病虫害检测模型进行检测，检测区域的农作物的图像首先通过前端识别网络识别出对应农作物的种类，之后按照农作物的种类对应到某个后端识别网络，得到该种农作物对应病虫害的类型。


2.根据权利要求1所述的一种基于图像的农作物病虫害检测方法，其特征在于，所述的后端识别网络的处理过程包括以下步骤：
S1、将病虫害图像变换到R、G、B各自通道下的图像，分别记为R图像、G图像、B图像；同时根据病虫害图像得到灰度图像，记为H图像；
S2、将conv层、RELU层顺序连接记为卷积单元；将卷积单元、BN层、池化层顺序连接记为卷积组合单元；
将R图像、G图像、B图像分别进行如下处理：
经过s个卷积组合单元操作，分别得到R图像、G图像、B图像对应的特征图；
将H图像先经过[卷积单元+卷积单元+BN层+池化层]*(s/2)操作，得到H图像对应的特征图；
在进行上述操作的过程中，要保证R图像、G图像、B图像对应的特征图和H图像对应的特征图大小相等；
S3、将R图像对应的特征图分成m组，分别记为R1至Rm；对G图像对应的特征图进行相同的操作，得到G1至Gm；对B图像对应的特征图进行相同的操作，得到B1至Bm；对H图像对应的特征图进行相同的操作，得到H1至Hm；
将R1、G1、B1...

【专利技术属性】
技术研发人员：唐友，李卓，王永江，滕小华，
申请(专利权)人：吉林农业科技学院，
类型：发明
国别省市：吉林;22