小麦锈病检测方法、装置及计算机设备制造方法及图纸

本发明专利技术实施例涉及人工智能技术领域，提供了一种小麦锈病检测方法，包括：获取待识别小麦图片，将待识别小麦图片输入至预设的第一图像分类模型中；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本发明专利技术实施例可以识别小麦是否发生锈病。

【技术实现步骤摘要】
小麦锈病检测方法、装置及计算机设备
本专利技术实施例涉及人工智能
，尤其涉及一种小麦锈病检测、装置及计算机设备。
技术介绍
麦锈病是我国小麦生产中的三大主要病害之一(其余两个为赤霉病和白粉病)。小麦锈病如不能及时发现，及时防治，会造成严重减产甚至没有收成，造成巨大的经济损失。传统的小麦锈病的及时止损主要依赖着有经验的农户恰巧发现了可疑的带病小麦，并咨询专家后确定小麦的病种，然后加以医治。这个过程中任何一个不确定因素造成的时间的延迟，都会导致农户的经济损失。随着手机等数码产品的普及，专家和农作物之间的距离变得近了许多。但是如若仅仅依赖专家来发现小麦锈病和诊断小麦锈病，其速度并不能得到保证。在农作物发病初期，对于大规模的现代农业来讲，农户能及时恰巧发现可疑的带病小麦是一件困难的事情，特别是农户需要管理的农作物相当多的时候。
技术实现思路
有鉴于此，本专利技术实施例的目的是提供一种小麦锈病检测方法、装置、计算机设备及计算机可读存储介质，用于现有的方法不能及时准确地发现小麦锈病的问题。为实现上述目的，本专利技术实施例提供了一种小麦锈病检测方法，包括：获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。可选地，所述小麦锈病检测方法还包括：获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息；将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦；将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。可选地，所述第一卷积神经网络模型为EfficientNet-B0网络，所述第二卷积神经网络模型为EfficientNet-B3网络，所述EfficientNet-B0网络和所述EfficientNet-B3网络的目标函数都为交叉熵损失函数，交叉熵损失函数具体为：其中，crossentropy代表交叉熵损失函数，N代表每次经过网络的样本数量，L代表类别数目，p为真实值，q为预测值。可选地，所述小麦锈病检测方法还包括：在所述待识别小麦图片为锈病小麦的分类结果为健康小麦图片时，发送提醒消息通知用户输出所述分类结果至用户终端，以供所述用户终端显示所述分类结果。可选地，所述小麦锈病检测方法还包括：在所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户终端。可选地，所述小麦锈病检测方法还包括：将所述待识别小麦图片的识别结果上传至区块链中。为实现上述目的，本专利技术实施例还提供了一种小麦锈病检测装置，包括：获取模块，用于获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；提取模块，用于通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；输入模块，用于在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；识别模块，用于通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。可选地，所述小麦锈病检测装置还包括：上传模块，用于将所述待识别小麦图片的识别结果上传至区块链中。为实现上述目的，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的小麦锈病检测方法的步骤。为实现上述目的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的小麦锈病检测方法的步骤。本专利技术实施例提供的小麦锈病检测方法、装置、计算机设备及计算机可读存储介质，通过获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本专利技术实施例通过预先训练用于将图片分为健康小麦以及锈病小麦的第一图像分类网络模型，以及用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦的第二图像分类网络模型，这样在获取到待识别小麦图片之后，即可以通过该第一图像分类网络模型和第二图像分类网络模型来及时准确地识别小麦是否发生锈病，此外，由于获取到的小麦图片是通过农机上安装的摄像头采集到的或通过无人机采集到的，因此，通过本实施例的方法相对于人工的方式获取，可以降低人力成本。附图说明图1为本专利技术小麦锈病检测方法的一实施方式的步骤流程示意图。图2为本专利技术小麦锈病检测方法的另一实施方式的步骤流程示意图。图3为本专利技术小麦锈病检测方法的另一实施方式的步骤流程示意图。图4为本专利技术一实施方式的小麦锈病检测装置的程序模块示意图。图5为本专利技术一实施方式的计算机设备的硬件结构示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式以下结合附图与具体实施例进一步阐述本专利技术的优点。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的本文档来自技高网...

【技术保护点】
1.一种小麦锈病检测方法，其特征在于，包括：/n获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；/n通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；/n在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；/n通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。/n

【技术特征摘要】
1.一种小麦锈病检测方法，其特征在于，包括：
获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。


2.如权利要求1所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息；
将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦；
将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。


3.如权利要求2所述的小麦锈病检测方法，其特征在于，所述第一卷积神经网络模型为EfficientNet-B0网络，所述第二卷积神经网络模型为EfficientNet-B3网络，所述EfficientNet-B0网络和所述EfficientNet-B3网络的目标函数都为交叉熵损失函数，交叉熵损失函数具体为：

其中，crossentropy代表交叉熵损失函数，N代表每次经过网络的样本数量，L代表类别数目，p为真实值，q为预测值。


4.如权利要求1至3任一项所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
...

【专利技术属性】
技术研发人员：张玉琪，曾婷，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44