一种蔬菜病害检测方法及系统技术方案

本发明专利技术提供一种蔬菜病害检测方法及系统，包括：获取待测蔬菜叶片图像；将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果；根据所述识别预测结果，确定所述待测蔬菜叶片图像的蔬菜病害检测结果；所述掩码残差卷积网络包括ResNet子网络、FPN子网络、RPN子网络和FCN子网络。本发明专利技术提供的蔬菜病害检测方法及系统，利用掩码残差卷积网络，提取病斑图像的特征，并结合环境特征，实现病斑图像与环境参数结合的复杂生产环境下，实现了针对小样本蔬菜图像的高精度病害诊断难题。

【技术实现步骤摘要】
一种蔬菜病害检测方法及系统
本专利技术涉及农业智能检测领域，尤其涉及一种蔬菜病害检测方法及系统。
技术介绍
病害是影响蔬菜品质的重要因素，因此，在农业生产过程中对病害的即时监测与有效防治越来越受到重视。例如茄科蔬菜，由于病害种类多、发病频率高、如果病害发现不及时、诊断不准确，就无法施以及时、有效、针对性的防治措施，从而会造成大面积降产甚至停产。目前，随着人工智能技术快速发展，全世界农业科研领域对植物病害智能化识别相关的研究逐渐深入，但多数是基于单纯的图像识别技术实现的，仅少数通过环境参数和图像参数进行综合诊断。其中，基于图像的病害识别主要有两类，一类为基于先验病害图像特征的传统机器学习图像识别方法，另一类为基于卷积神经网络的病害图像识别。一方面。现有技术中所采用的基于机器学习的蔬菜病害识别方法，主要是通过病斑图像的颜色特征、形状特征和纹理特征构成病害图像的分类特征向量。然后利用粗糙集理论、遗传算法、局部判别映射和局部线性嵌入等算法对病害特征进行筛选。然后利用多特征切割法和最大类间方差阈值法，k-means硬聚类算法、分水岭分割算本文档来自技高网...

【技术保护点】
1.一种蔬菜病害检测方法，其特征在于，包括：/n获取待测蔬菜叶片图像；/n将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果；/n根据所述识别预测结果，确定所述待测蔬菜叶片图像的蔬菜病害检测结果；/n所述掩码残差卷积网络包括ResNet子网络、FPN子网络、RPN子网络和FCN子网络。/n

【技术特征摘要】
1.一种蔬菜病害检测方法，其特征在于，包括：
获取待测蔬菜叶片图像；
将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果；
根据所述识别预测结果，确定所述待测蔬菜叶片图像的蔬菜病害检测结果；
所述掩码残差卷积网络包括ResNet子网络、FPN子网络、RPN子网络和FCN子网络。


2.根据权利要求1所述的蔬菜病害检测方法，其特征在于，所述识别预测结果包括掩模预测结果、边框预测结果和分类预测结果；
所述将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果，包括：
利用所述ResNet子网络，对所述待测蔬菜叶片图像进行识别，获取所述待测蔬菜叶片图像相关的图像特征；
利用所述FPN子网络，根据所述图像特征，生成多个特征图；
利用所述RPN子网络，根据所述多个特征图，确定所述待测蔬菜叶片图像相关的检测候选区域；
基于RoIAlign算法，将所述检测候选区域映射至所述待测蔬菜叶片图像，获取分类特征图、边框回归特征图以及掩模特征图；
利用所述FCN子网络，对所述掩模特征图进行掩模特征计算，获取掩模预测结果；
将所述边框回归特征图展开为一维特征向量；
基于正负样本计算方法对所述一维特征向量进行边框预测，获取边框预测结果；
将所述一维特征向量和环境参数向量相连接，获取综合特征矩阵；基于训练好的分类器对所述综合特征矩阵进行分类识别，获取分类预测结果。


3.根据权利要求2所述的蔬菜病害检测方法，其特征在于，所述ResNet子网络包括：
第一特征提取模块，包括64个卷积核为7*7*3、步长为2的卷积层和1个步长为2的池化层；
第二特征提取模块，包括依次串联的1个第一尺度层和2个第一特征层，所述第一尺度层包括64个卷积核为1*1*64的卷积层、64个卷积核为3*3*64的卷积层、256个卷积核为1*1*64的卷积层，每个所述第一特征层包括64个卷积核为1*1*256的卷积层、64个卷积核为3*3*64的卷积层和256个卷积核为1*1*64的卷积层；
第三特征提取模块，包括依次串联的第二尺度层和3个第二特征层，所述第二尺度层包括128个卷积核为1*1*256步长为2的卷积层、128个卷积核为3*3*128的卷积层、512个卷积核为1*1*128的卷积层，每个所述第二特征层包括128个卷积核为1*1*512的卷积层、128个卷积核为3*3*128的卷积层和512个卷积核为1*1*128的卷积层；
第四特征提取模块，包括依次串联的第三尺度层和22个第三特征层，所述第三尺度层包括256个卷积核为1*1*512步长为2的卷积层、256个卷积核为3*3*256的卷积层、1024个卷积核为1*1*256的卷积层，每个所述第三特征层包括256个卷积核为1*1*1024的卷积层、256个卷积核为3*3*256的卷积层和1024个卷积核为1*1*256的卷积层；
第五特征提取模块，包括依次串联的第四尺度层和2个第四特征层，所述第四尺度层包括512个卷积核为1*1*1024步长为2的卷积层、512个卷积核为3*3*512的卷积层、2048个卷积核为1*1*512的卷积层，每个所述第四特征层包括512个卷积核为1*1*2048的卷积层、512个卷积核为3*...

【专利技术属性】
技术研发人员：朱华吉，吴华瑞，邓颖，孙想，顾静秋，缪祎晟，
申请(专利权)人：北京农业信息技术研究中心，
类型：发明
国别省市：北京;11