一种适应田野的农作物病虫害自动识别方法技术

本发明专利技术涉及计算机视觉领域，特别涉及一种适应田野的农作物病虫害自动识别方法。包括以下步骤：S1，获取农作物图像原始数据，并对其进行预处理；S2，将预处理后的农作物图像原始数据输入改进后的农作物病虫害自动识别模型，预测出所述农作物图像原始数据相应的病虫害类别；改进后的农作物病虫害自动识别模型的网络架构为：在卷积神经网络的骨干网络上增加了通道正交约束和物种分类约束两个分支，所述通道正交约束添加在所述骨干网络输出的最后一层特征上，所述物种分类约束添加在所述骨干网络输出的任何一个特征上。采用本方法可以实现病虫害类别的准确识别，不需要管理人员具备领域专家的专业知识，提升了模型在田野环境下识别的性能。的性能。的性能。

【技术实现步骤摘要】
一种适应田野的农作物病虫害自动识别方法


[0001]本专利技术涉及计算机视觉领域，特别涉及一种适应田野的农作物病虫害自动识别方法。

技术介绍

[0002]2006
‑
2015年我国农作物病虫草鼠害总体处于严重发生状态,年均损失粮食占全国粮食总产量的20.88％。农作物病虫害的来源主要包括细菌、真菌、卵菌、病毒、线虫和昆虫等，农作物在感染病害后其叶片一般会有斑点、变色、畸形、萎蔫和坏死等症状。农作物的健康是从事农业工作者们赖以生存的条件，而诊断这些症状需要高水平的专业知识，所以专利技术一种能自动识别农作物病害的方法具有十分重要的意义。
[0003]相较于主观性较强、经验性较强和耗时较长的传统专家诊断方法，利用图像和计算机视觉相关的自动识别方法能达到更准确、更快速的诊断效果。作为本专利技术最接近的现有技术，论文“Using Deep Learning for Image
‑
Based Plant Disease Detection”和论文“Solving Current Limitations of De本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适应田野的农作物病虫害自动识别方法，其特征在于，包括以下步骤：S1，获取农作物图像原始数据，并对所述农作物图像原始数据进行预处理；S2，将预处理后的所述农作物图像原始数据输入改进后的农作物病虫害自动识别模型，预测出所述农作物图像原始数据相应的病虫害类别；所述改进后的农作物病虫害自动识别模型的网络架构为：在卷积神经网络的骨干网络上增加了通道正交约束和物种分类约束两个分支，所述通道正交约束添加在所述骨干网络输出的最后一个特征上，所述物种分类约束添加在所述骨干网络输出的任何一个特征上。2.如权利要求1所述的一种适应田野的农作物病虫害自动识别方法，其特征在于，所述卷积神经网络的骨干网络的处理过程具体包括：S21，输入预处理后的农作物图像原始数据到卷积神经网络的骨干网络中，输出多层特征，每个所述特征由多张特征图组成；S22，对所述骨干网络输出的最后一层特征进行全局平均池化操作，得到特征向量F
disease
；S23，使用全连接层将所述特征向量F
disease
映射出一个以类别数为维度的logits
d
向量，所述以类别数为维度的logits
d
向量中，最大值对应的索引就是所述农作物图像数据相应的病虫害预测类别。3.如权利要求2所述的一种适应田野的农作物病虫害自动识别方法，其特征在于，所述通道正交约束的处理过程具体包括：A1，获取所述卷积神经网络的骨干网络输出的最后一层特征M4的通道；A2，将特征M4每一个通道的特征图变换成特征向量，得到矩阵f；A3，将所述矩阵f转置后得到矩阵f
T
，所述矩阵f和矩阵f
T
相乘得到方阵M
channel
，所述M
channel
体现了特征通道间的两两相互关系。4.如权利要求2所述的一种适应田野的农作物病虫害自动识别方法，其特征在于，所述物种分类约束的处理过程具体包括：B1，选取所述多层特征中的一层特征，为选中特征；B2，对所述选中特征进行全局平均池化操作，得到特征向量F
species
；B3，使用全连接层将所述特征向量F
species
映射出一个以类别数为维度的logits
s
向量...

【专利技术属性】
技术研发人员：赵启军，桂鹏辉，刘宁，党文婕，朱飞雨，
申请(专利权)人：四川大学，
类型：发明
国别省市：