一种基于卷积神经网络农作物病害图像识别方法技术

本发明专利技术公开了一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：S1、基于无人机定时定点的进行农作物图像的采集；S2、读取农作物图像内载的POS数据，并基于Faster R‑CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。本发明专利技术实现了农作物病害的自动检测、识别和统计分析，进而提供对应的防治方案，为提高农作物病害预警奠定基础。

【技术实现步骤摘要】
一种基于卷积神经网络农作物病害图像识别方法
本专利技术涉及图像识别领域，具体涉及一种基于卷积神经网络农作物病害图像识别方法。
技术介绍
农作物病害是我国主要农业灾难之一，它具有种类多、影响大并时常暴发成灾的特点，不仅对农作物生产造成损失，还会对食品安全产生威胁。因此农作物病害的诊断和鉴定，对保证作物产量、预防食品安全起着重要的作用，同时，实现精准的检测农作物病害以及病害程度的测定是对农作物病害防治的关键。目前，传统的农作物病害识别，主要依赖于历代农民在农业生产过程中积累的经验来进行判断，费时费力的同时，实时性、准确性均较差。随着深度学习的日益发展，将卷积神经网络应用于农作物病害识别中取得了较好的识别效果。深度学习中的卷积神经网络对图像具有强大的特征提取能力，可以从像素级的原始数据中抽象出语义概念并逐层提取，筛选掉冗余信息，这使得它在提取图像更详尽的全局特征方面有着突出的优势。因此，如何利用卷积神经网络进行农作物病害检测是目前迫切需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络农作物病害图像识别方法的处理方法，可以实现农作物病害图像的自动检测、识别和统计分析。为实现上述目的，本专利技术采取的技术方案为：一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：S1、基于无人机定时定点的进行农作物图像的采集；S2、读取农作物图像内载的POS数据，并基于FasterR-CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；r>S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。进一步地，所述FasterR-CNN模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。进一步地，所述病害区图像集中的图像均携带其对应的POS数据的超链接标记。进一步地，所述无人机按照既定的巡航路线定时定点进行农作物图像的采集，从而可以提高农作物图像的针对性和全面性。进一步地，还包括根据POS数据实现病害区图像角度调整的步骤，角度调整包括左右翻转、上下翻转、对角线翻转。进一步地，所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。进一步地，还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别的步骤。进一步地，还包括根据各区域的病害情况基于最邻近分类器输出对应的防治措施的步骤。进一步地，还包括绘制每个时间段内各区域病害情况变化曲线的步骤。上述方案中，通过基于FasterR-CNN模型和基于DSSD_Xception_coco模型实现了农作物病害的自动检测、识别和统计分析，进而提供对应的防治方案，为提高农作物病害预警奠定基础。附图说明图1为本专利技术实施例1的流程图。图2为本专利技术实施例2的流程图。图3为本专利技术实施例3的流程图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。实施例1一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：S1、基于无人机按照既定的巡航路线定时定点的进行农作物图像的采集；每张农作物图像会携带配套的POS数据，所述POS数据包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；S2、读取农作物图像内载的POS数据，根据POS数据实现病害区图像角度调整，角度调整包括左右翻转、上下翻转、对角线翻转，并基于FasterR-CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；所述病害区图像集中的图像均携带其对应的POS数据的超链接标记；S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计，以EXCEL表格的形式进行病害识别结果的输出，病害识别结果包括病害区图像、对应的POS数据以及对应的病害识别结果，病害情况统计时以种植区为单位进行统计。本实施例中，所述FasterR-CNN模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。实施例2一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：S1、基于无人机按照既定的巡航路线定时定点的进行农作物图像的采集；每张农作物图像会携带配套的POS数据，所述POS数据包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；S2、读取农作物图像内载的POS数据，根据POS数据实现病害区图像角度调整，角度调整包括左右翻转、上下翻转、对角线翻转，并基于FasterR-CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；所述病害区图像集中的图像均携带其对应的POS数据的超链接标记；S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别，并基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别；S4、基于孔洞、斑点、害虫轨迹等的检测识别结果、对应的尺寸参数和病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计；以EXCEL表格的形式进行病害识别结果的输出，病害识别结果包括病害区图像、对应的POS数据、对应的病害识别结果以及对应的孔洞、斑点、害虫轨迹等形状尺寸参数，病害情况统计时以种植区为单位进行统计；S5、根据各区域的病害情况基于最邻近分类器输出对应的防治措施。本实施例中，所述FasterR-CNN模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xcep本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络农作物病害图像识别方法，其特征在于：包括如下步骤：/nS1、基于无人机定时定点的进行农作物图像的采集；/nS2、读取农作物图像内载的POS数据，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；/nS3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹的检测识别；/nS4、基于孔洞、斑点、害虫轨迹的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。/n

【技术特征摘要】
1.一种基于卷积神经网络农作物病害图像识别方法，其特征在于：包括如下步骤：
S1、基于无人机定时定点的进行农作物图像的采集；
S2、读取农作物图像内载的POS数据，并基于FasterR-CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；
S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹的检测识别；
S4、基于孔洞、斑点、害虫轨迹的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。


2.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述FasterR-CNN模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。


3.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述病害区图像集中的图像均携带其对应的POS数据的超链接标记。


4.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述无人机按照既定的巡航路线定时定点进行农作物图像的采集...

【专利技术属性】
技术研发人员：曹丽英，李博，于合龙，李东明，刘鹤，马丽，
申请(专利权)人：吉林农业大学，
类型：发明
国别省市：吉林;22