一种农作物叶片病害识别方法、装置和存储介质制造方法及图纸

本发明专利技术涉及一种农作物叶片病害识别方法、装置和存储介质，方法包括：采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像；根据图像增强技术和颜色空间转换技术对各叶片图像进行病斑分割，得到各病斑图像；对各病斑图像设置病害类型标签，并建立各病斑图像数据集；提取病斑图像数据集中的病斑图像的病斑特征向量；根据病斑特征向量和病斑图像数据集对应的病害类型标签对分类器进行分类训练；根据训练好的分类器实现农作物叶片病害识别；精确分割出复杂背景下的农作物叶片，通过病斑特征向量和病害类型标签对分类器进行分类训练实现病害的识别，避免使用人工识别的方式，大大减少劳动率，提高识别准确率。

【技术实现步骤摘要】
一种农作物叶片病害识别方法、装置和存储介质
本专利技术涉及农业病害识别领域，具体涉及一种农作物叶片病害识别方法、装置和存储介质。
技术介绍
在农作物生长的过程中可能会出现各种病害现象，严重影响了农作物的产量和品质，对食品安全造成了一定的威胁。在大面积种植的情况下，仅仅依靠人工识别病害会费时费力，不能及时发现和阻止病情的发展。目前所采用的技术方法均针对人工采摘出的独立叶片上的病斑特征进行研究和试验，例如将单独叶片铺展在单一颜色、背景无干扰的理想情况下进行研究，但在现实场景例如农作物所处的实际种植环境下，监测时所获取的叶片原始图像不可能为单一叶片，一般为不同姿态的多叶片并包含其他复杂背景，导致叶片及其病斑图像难以分割，使后续特征提取方法失效。
技术实现思路
本专利技术所要解决的技术问题是针对上述问题，提供农作物叶片病害识别方法、装置及存储介质，精确分割出复杂背景下的农作物叶片，通过病斑特征向量和病害类型标签对分类器进行分类训练实现病害的识别，避免使用人工识别的方式，大大减少劳动率，提高识别准确率；本专利技术解决上述技术问题的技术方案如下：一种农作物叶片病害识别方法，该方法包括：采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像；根据图像增强技术和颜色空间转换技术对所述各叶片图像进行病斑分割，得到各病斑图像；对所述各病斑图像设置病害类型标签，并建立各病斑图像数据集；提取所述病斑图像数据集中的病斑图像的病斑特征向量；根据所述病斑特征向量和所述病斑图像数据集对应的病害类型标签对分类器进行分类训练；根据训练好的分类器实现农作物叶片病害识别。本专利技术的有益效果是：通过语义分割模块分割出复杂背景下的农作物叶片，分割精度较高，解决了复杂背景下农作物叶片图像的提取，通过利用局部对比度增强和颜色空间转换技术有效的分割出病斑图像，建立病斑图像数据集，按照病斑类型各自计算病斑图像数据集对应的病斑特征向量，对多种不同病害的特征进行细分和充分覆盖，通过病斑特征向量和病害类型标签对分类器进行分类训练实现病害的识别，避免使用人工识别的方式，大大减少劳动率，提高识别准确率。在上述技术方案的基础上，本专利技术还可以做如下改进：进一步，所述采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像之前包括：通过现场拍摄获取真实背景下的农作物叶片图像；对所述农作物叶片图像进行数据增强处理，得到扩充的数据集，并将所述数据集划分为训练集、验证集和测试集；将所述训练集和验证集中农作物叶片的区域标注为1，背景区域标注为0，并将标注好的图像转化为符合语义分割模型格式的文件；根据所述训练集和所述文件对语义分割模型进行训练，得到所述预设语义分割模型。采用上述进一步方案的有益效果是：通过对真实背景下的农作物叶片图像进行数据增强处理，增强图像的多样性，提高后续模型训练的准确性和鲁棒性；同时对农业物叶片和背景进行标注，保证语义分割模型进行训练的准确性。进一步，所述预设语义分割模型包括Deeplabv3+模型。采用上述进一步方案的有益效果是：Deeplabv3+模型将底层特征与高层特征进一步融合，提升分割边界准确度。进一步，所述采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像包括：将所述测试集输入到所述预设语义分割模型中，获得叶片与背景分割完成的掩膜图像；将所述掩膜图像翻转，得到背景区域像素灰度值为0，叶片区域像素灰度值为255的二值图像，再将二值图像与测试集的图像相加操作，得到去除背景后的各叶片图像。采用上述进一步方案的有益效果是：通过将叶片与背景分割完成的掩膜图像反转，以更好区分背景区域和叶片区域，然后通过与原图的相加操作，可清楚有效得到去除背景后的叶片图像。进一步，所述根据图像增强操作和颜色空间转换操作对所述各叶片图像进行病斑分割，得到各病斑图像包括：获取所述叶片图像在局部窗口大小内的局部平均值和标准方差；根据所述局部平均值和标准方差确定所述叶片图像局部对比度增强后的图像；对所述局部对比度增强后的图像的补图进行颜色空间转换，由RGB图像转为Lab图像，并且将Lab图像分为L、a、b三个颜色分量图像；选取b分量图像，计算b分量图像的平均像素值，将b分量像素值大于平均像素值的像素置为0，其余为1，获得初步病斑图像；对所述初步病斑图像进行形态学操作获得各病斑图像。采用上述进一步方案的有益效果是：通过对叶片图像进行局部对比度增强处理，然后进行图像颜色空间转化，将叶片图像分为L、a、b三个颜色分量图像，通过b分量图像提取病斑，通过形态学操作确定病斑图像，准确有效的分割出病斑图像。进一步，所述对所述各病斑图像设置病害类型标签，并建立各病斑图像数据集包括：根据农作物叶片病害类型专家库，对病斑图像进行病类标注，并设置病害类型标签；根据病害类型对各病斑图像进行分类，建立不同病害类型的病斑图像数据集。采用上述进一步方案的有益效果是：通过对病斑图像进行病类标注，按照病的类型对大量病斑图像生成集合，便于后续已给分类标签的图像集，按照分类各自计算其特征向量及分类训练，实现病害识别。进一步，所述提取所述病斑图像数据集中的病斑图像的病斑特征向量包括：计算所述病斑图像游程矩阵的纹理统计特征的特征值，将所述特征值构成的向量作为第一特征向量；将所述病斑图像通过x次3*3卷积、y次1*1卷积和x次最大池化训练，得到第二特征向量，所述x、y和z为正整数；将所述第一特征向量和第二特征向量拼接得到所述病斑特征向量。采用上述进一步方案的有益效果是：先根据病斑的纹理特征手动提取病斑，再将病斑图像通过3*3卷积、1*1卷积提取数据的特征，生成特征图，通过最大池化减小特征图的大小，从而降低参数的数据和网络计算量，完成特征的自动提取，通过手动和自动提取病斑的特征信息，信息量大，利于对多种不同病害的特征进行细分和充分覆盖。进一步，所述根据所述病斑特征向量和所述病斑图像数据集对应的病害类型标签对分类器进行分类训练包括：将所述病斑特征向量输入到全连接层，将所述全连接层输出的数据和所述病害类型标签输入到所述分类器进行训练，所述分类器为softmax分类器。采用上述进一步方案的有益效果是：根据得到的特征向量和已知分类类别经过全连接层后，采用分类器完成模型训练实现病害的识别，避免使用人工识别的方式，大大减少劳动率，提高识别准确率。为了解决上述技术问题，本专利技术还提供一种农作物叶片病害识别装置，农作物叶片病害识别装置包括：处理器和存储器；所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如上所述的农作物叶片病害识别方法的步骤。为了解决上述技术问题，本专利技术还提供一种存储介质，其特征在于，所述存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者本文档来自技高网...

【技术保护点】
1.一种农作物叶片病害识别方法，其特征在于，所述农作物叶片病害识别方法包括：/n采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像；/n根据图像增强技术和颜色空间转换技术对所述各叶片图像进行病斑分割，得到各病斑图像；/n对所述各病斑图像设置病害类型标签，并建立各病斑图像数据集；/n提取所述病斑图像数据集中的病斑图像的病斑特征向量；/n根据所述病斑特征向量和所述病斑图像数据集对应的病害类型标签对分类器进行分类训练；/n根据训练好的分类器实现农作物叶片病害识别。/n

【技术特征摘要】
1.一种农作物叶片病害识别方法，其特征在于，所述农作物叶片病害识别方法包括：
采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像；
根据图像增强技术和颜色空间转换技术对所述各叶片图像进行病斑分割，得到各病斑图像；
对所述各病斑图像设置病害类型标签，并建立各病斑图像数据集；
提取所述病斑图像数据集中的病斑图像的病斑特征向量；
根据所述病斑特征向量和所述病斑图像数据集对应的病害类型标签对分类器进行分类训练；
根据训练好的分类器实现农作物叶片病害识别。


2.根据权利要求1所述的农作物叶片病害识别方法，其特征在于，所述采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像之前包括：
通过现场拍摄获取真实背景下的农作物叶片图像；
对所述农作物叶片图像进行数据增强处理，得到扩充的数据集，并将所述数据集划分为训练集、验证集和测试集；
将所述训练集和验证集中农作物叶片的区域标注为1，背景区域标注为0，并将标注好的图像转化为符合语义分割模型格式的文件；
根据所述训练集和所述文件对语义分割模型进行训练，得到所述预设语义分割模型。


3.根据权利要求2所述的农作物叶片病害识别方法，其特征在于，所述预设语义分割模型包括Deeplabv3+模型。


4.根据权利要求2所述的农作物叶片病害识别方法，其特征在于，所述采用预设语义分割模型对真实背景下的农作物叶片图像进行分割，得到各叶片图像包括：
将所述测试集输入到所述预设语义分割模型中，获得叶片与背景分割完成的掩膜图像；
将所述掩膜图像翻转，得到背景区域像素灰度值为0，叶片区域像素灰度值为255的二值图像，再将二值图像与测试集的图像相加操作，得到去除背景后的各叶片图像。


5.根据权利要求1所述的农作物叶片病害识别方法，其特征在于，所述根据图像增强操作和颜色空间转换操作对所述各叶片图像进行病斑分割，得到各病斑图像包括：
获取所述叶片图像在局部窗口大小内的局部平均值和标准方差；
根据所述局部平均值和标准方差确定...

【专利技术属性】
技术研发人员：姜金涛，钮嘉炜，陈从平，严向华，杨志强，孟翔芸，
申请(专利权)人：内蒙古智诚物联股份有限公司，
类型：发明
国别省市：内蒙古;15