基于图像识别的荔枝霜疫病自动识别方法、系统和存储介质技术方案

本发明专利技术公开了一种基于图像识别的荔枝霜疫病自动识别方法、系统和存储介质，包括下述步骤：收集自然条件下感染霜疫病的荔枝果实图像，组成果实源数据集并进行数据扩增和预处理得到果实训练数据集；导入YOLO V3目标检测网络模型进行训练，得到检测识别模型；收集实验室条件下不同严重程度的荔枝霜疫病图像，组成霜疫病源数据集并进行数据扩增和预处理得到霜疫病训练数据集；导入PSPNet语义分割网络模型进行训练，得到病斑分割模型；将待检测图像导入检测识别模型，得到检测结果；将其导入病斑分割模型，得到分割结果；计算病情指数DI，判断荔枝霜疫病严重程度。本发明专利技术实现荔枝霜疫病无损快速精准识别，对荔枝病害精准防控和保障产量具有重要意义。产量具有重要意义。产量具有重要意义。

【技术实现步骤摘要】
基于图像识别的荔枝霜疫病自动识别方法、系统和存储介质


[0001]本专利技术属于图像识别和果实病害防治的
，具体涉及一种基于图像识别的荔枝霜疫病自动识别方法、系统和存储介质。

技术介绍

[0002]荔枝(Litchi chinensis Sonn)为我国南亚热带地区第一大水果，其味道鲜美，营养价值高，富含叶酸、精氨酸、色氨酸等各种营养素，同时具有较高的经济价值，是岭南地区重要经济作物。
[0003]荔枝的主要种植产区气候潮湿，使得荔枝极易受到病害的侵染。其中霜疫病是一种主要的常见病害，对荔枝生产有巨大影响。荔枝霜疫病病原物为鞭毛菌，主要为害即将成熟或已成熟的果实，导致烂果落果，大量减产，经济效益大幅下降。受潮时病部出现白色霉物，似白霜。霜疫病在潮湿及温度较高环境下更易生长，长时间的雨天让霜疫病发生几率大大提升，不利于荔枝生长。目前，对荔枝霜疫病的识别主要是依靠相关农学专家的经验知识进行判断，或者采样后进行实验室检测，前者具有较强的主观性，而后者是破坏性取样，且时间成本较高，降低了病害识别的实际意义。因此，实现荔枝霜疫病无损快速准确识别，对于荔枝病害精准防控具有重要意义，可以有效减少荔枝产量损失。
[0004]在传统基于图像的作物病害研究中，主要针对大田作物的研究，其种植面大，研究所需的作物健康及病害图片数量大，许多作物还有标准图像数据集，因此可以取得较好的识别效果。目前荔枝没有标准的图像数据库，且其主要种植区位于南方丘陵山地，受采样条件的限制，存在成像质量不高，噪声干扰严重，样本光照不均，叶片遮挡等现象，因此采用传统的识别方法难以取得理想的效果，而基于卷积神经网络的目标检测模型和语义分割模型可以达到理想的识别效果。

技术实现思路

[0005]为克服荔枝果园实际生产中遇到的难以及时发现霜疫病疫情的难题，本专利技术提出一种基于图像识别的荔枝霜疫病自动识别方法、系统和存储介质，训练数据集采用自然条件下采集和实验室条件下采集相结合，利用计算机视觉技术采集与处理相关图像信息，基于卷积神经网络的目标检测模型和语义分割模型识别荔枝果实是否出现霜疫病感染，并自动判断感染严重程度，帮助没有充足农艺经验知识的果园工作者及时发现识别荔枝霜疫病，并根据严重程度进行精准施药等管理干预。
[0006]为了达到上述目的，本专利技术采用以下技术方案:
[0007]本专利技术一方面提供了一种基于图像识别的荔枝霜疫病自动识别方法，包括下述步骤：
[0008]收集自然条件下感染霜疫病的荔枝果实图像，组成果实源数据集，并对所述果实源数据集进行数据扩增和预处理，得到果实训练数据集；
[0009]将所述果实训练数据集导入YOLO V3目标检测网络模型中进行训练，得到荔枝霜
疫病检测识别模型；
[0010]收集实验室条件下不同严重程度的荔枝霜疫病图像，组成霜疫病源数据集，并对所述霜疫病源数据集进行数据扩增和预处理，得到霜疫病训练数据集；
[0011]将所述霜疫病训练数据集导入PSPNet语义分割网络模型中进行训练，得到荔枝霜疫病病斑分割模型；
[0012]将待检测图像导入所述荔枝霜疫病检测识别模型，得到检测结果；
[0013]将所述检测结果导入所述荔枝霜疫病病斑分割模型，得到荔枝果实区域及病斑区域的分割结果；
[0014]依据所述分割结果，计算所述病斑区域和果实区域的比例关系，得到病斑区域和果实区域的比例关系的病情指数DI，判断荔枝霜疫病严重程度。
[0015]作为优选的技术方案，所述自然条件下感染霜疫病的荔枝果实，是指由自然环境中存在的霜疫病病原物鞭毛菌在适当气候条件下为害的荔枝果实，所述为害的荔枝果实呈现白色或褐色病斑；
[0016]对所述果实源数据集进行数据扩增和预处理，具体为：
[0017]对所述果实源数据集中所有患有霜疫病的荔枝果实图像样本进行标注；
[0018]对所述果实源数据集进行数据扩增，扩增方式包括随机的平移、翻转、旋转、裁剪和亮度变换；
[0019]对所述果实源数据集进行预处理，处理方式包括图像归一化和色彩空间变换。
[0020]作为优选的技术方案，将所述果实训练数据集导入YOLO V3目标检测网络模型中进行训练，得到荔枝霜疫病检测识别模型，具体为：
[0021]以YOLO V3目标检测网络模型为初始模型进行训练，采用随机梯度下降法，随机地选择所述果实训练数据集中90％的图像作为果实训练集用于训练，10％的图像作为果实验证集用于验证；
[0022]设定最大迭代次数，当达到预设的最大迭代次数或者在所述果实验证集上错误率不再下降时终止训练，获得荔枝霜疫病检测识别模型；所述荔枝霜疫病检测识别模型用于对荔枝果实图像进行实时检测，并用矩形框对感染霜疫病的荔枝果实进行标记，矩形框外切果实边缘，以实现荔枝霜疫病的自动检测。
[0023]作为优选的技术方案，所述收集实验室条件下不同严重程度的荔枝霜疫病图像，其方式为：在实验室中对健康荔枝进行人工接种霜疫病病原，使其感染霜疫病，并放置于培养箱中进行培养，收集每日的荔枝霜疫病图像；
[0024]对所述霜疫病源数据集进行数据扩增和预处理，具体为：
[0025]对所述霜疫病源数据集中的每一张图像样本进行像素级标注，判断并对荔枝果实边缘以及霜疫病病斑边缘进行标注；
[0026]对所述霜疫病源数据集进行数据扩增，扩增方式包括随机的平移、翻转、旋转、裁剪和亮度变换；
[0027]对所述霜疫病源数据集进行预处理，处理方式包括图像归一化和色彩空间变换。
[0028]作为优选的技术方案，将所述霜疫病训练数据集导入PSPNet语义分割网络模型中进行训练，得到荔枝霜疫病病斑分割模型，具体为：
[0029]随机地选择所述霜疫病训练数据集中90％的图像作为霜疫病训练集用于训练，
10％的图像作为霜疫病验证集用于验证；
[0030]将所述霜疫病训练数据集导入所述PSPNet语义分割网络模型进行训练，其学习率衰减策略采用多项式衰减策略Poly，其表达式为：
[0031][0032]其中lr
cur
为最终学习率，lr
base
为初始学习率，iter
cur
为当前迭代次数，iter
total
为总的迭代次数，多项式衰减策略会使学习率随着迭代次数上升而逐渐下降，使得模型在训练过程的后期更接近最优解；
[0033]设定最大迭代次数，当达到预设的最大迭代次数或者在所述霜疫病验证集上错误率不再下降时终止训练，获得荔枝霜疫病病斑分割模型；所述荔枝霜疫病病斑分割模型用于对荔枝果实图像进行实时检测，并使用不同颜色的阴影对荔枝果实表面的不同区域进行覆盖标记，以区分霜疫霉病斑区域以及果实表面其余区域。
[0034]作为优选的技术方案，所述将待检测图像导入所述荔枝霜疫病检测识别模型，得到检测结果，具体为：
[0035]所述待检测的图像在导入荔枝霜疫病检测识别模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像识别的荔枝霜疫病自动识别方法，其特征在于，包括下述步骤：收集自然条件下感染霜疫病的荔枝果实图像，组成果实源数据集，并对所述果实源数据集进行数据扩增和预处理，得到果实训练数据集；将所述果实训练数据集导入YOLO V3目标检测网络模型中进行训练，得到荔枝霜疫病检测识别模型；收集实验室条件下不同严重程度的荔枝霜疫病图像，组成霜疫病源数据集，并对所述霜疫病源数据集进行数据扩增和预处理，得到霜疫病训练数据集；将所述霜疫病训练数据集导入PSPNet语义分割网络模型中进行训练，得到荔枝霜疫病病斑分割模型；将待检测图像导入所述荔枝霜疫病检测识别模型，得到检测结果；将所述检测结果导入所述荔枝霜疫病病斑分割模型，得到荔枝果实区域及病斑区域的分割结果；依据所述分割结果，计算所述病斑区域和果实区域的比例关系，得到病斑区域和果实区域的比例关系的病情指数DI，判断荔枝霜疫病严重程度。2.根据权利要求1所述基于图像识别的荔枝霜疫病自动识别方法，其特征在于，所述自然条件下感染霜疫病的荔枝果实，是指由自然环境中存在的霜疫病病原物鞭毛菌在适当气候条件下为害的荔枝果实，所述为害的荔枝果实呈现白色或褐色病斑；对所述果实源数据集进行数据扩增和预处理，具体为：对所述果实源数据集中所有患有霜疫病的荔枝果实图像样本进行标注；对所述果实源数据集进行数据扩增，扩增方式包括随机的平移、翻转、旋转、裁剪和亮度变换；对所述果实源数据集进行预处理，处理方式包括图像归一化和色彩空间变换。3.根据权利要求1所述基于图像识别的荔枝霜疫病自动识别方法，其特征在于，将所述果实训练数据集导入YOLO V3目标检测网络模型中进行训练，得到荔枝霜疫病检测识别模型，具体为：以YOLO V3目标检测网络模型为初始模型进行训练，采用随机梯度下降法，随机地选择所述果实训练数据集中90％的图像作为果实训练集用于训练，10％的图像作为果实验证集用于验证；设定最大迭代次数，当达到预设的最大迭代次数或者在所述果实验证集上错误率不再下降时终止训练，获得荔枝霜疫病检测识别模型；所述荔枝霜疫病检测识别模型用于对荔枝果实图像进行实时检测，并用矩形框对感染霜疫病的荔枝果实进行标记，矩形框外切果实边缘，以实现荔枝霜疫病的自动检测。4.根据权利要求1所述基于图像识别的荔枝霜疫病自动识别方法，其特征在于，所述收集实验室条件下不同严重程度的荔枝霜疫病图像，其方式为：在实验室中对健康荔枝进行人工接种霜疫病病原，使其感染霜疫病，并放置于培养箱中进行培养，收集每日的荔枝霜疫病图像；对所述霜疫病源数据集进行数据扩增和预处理，具体为：对所述霜疫病源数据集中的每一张图像样本进行像素级标注，判断并对荔枝果实边缘以及霜疫病病斑边缘进行标注；
对所述霜疫病源数据集进行数据扩增，扩增方式包括随机的平移、翻转、旋转、裁剪和亮度变换；对所述霜疫病源数据集进行预处理，处理方式包括图像归一化和色彩空间变换。5.根据权利要求1所述基于图像识别的荔枝霜疫病自动识别方法，其特征在于，将所述霜疫病训练数据集导入PSPNet语义分割网络模型中进行训练，得到荔枝霜疫病病斑分割模型，具体为：随机地选择所述霜疫病训练数据集中90％的图像作为霜疫病训练集用于训练，10％的图像作为霜疫病验证集用于验证；将所述霜疫病训练数据集导入所述PSPNet语义分割网络模型进行训练，其学习率衰减策略采用多项式衰减策略Poly，其表达式为：其中lr
cur
为最终学习率，lr
base
为初始学习率，iter
cur
为当前迭代次数，iter
total
为总的迭代次数，多项式衰减策略会使学习率随着迭代次数上升而逐渐下降，使得模型在训练过程的后期更接近最优解；设定最大迭...

【专利技术属性】
技术研发人员：李君，吴俊鹏，陆华忠，李灿，林嘉铨，张文宇，王思凡，王涛，陈盈宜，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：