小麦条锈病识别方法、系统、设备及介质技术方案

本发明专利技术公开一种小麦条锈病识别方法、系统、设备及介质，该方法包括：获取小麦种植区中待识别区域的原拍摄图像；对原拍摄图像进行预处理，得到预处理图像；标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类；构建预测模型并依据分类结果对预测模型进行训练；使用训练后的预测模型对原拍摄图像的小麦条锈病程度进行识别。本发明专利技术依据标注数据集和小麦图像进行三维结构图像预测，进而准确地对发现小麦种植区图像中患有条锈病的小麦位置和比例，降低人工标注大量样本所需的时间和人力，并且可以做到高准确率的识别，迅速地对小麦的条锈病进行识别。对小麦的条锈病进行识别。对小麦的条锈病进行识别。

【技术实现步骤摘要】
小麦条锈病识别方法、系统、设备及介质


[0001]本专利技术涉及数据处理
，尤其是一种小麦条锈病识别方法、系统、设备及介质。

技术介绍

[0002]小麦条锈病在我国小麦生产上具有分布广、传播快、危害面积大的特点，降低小麦的总产量，影响农民的生计，严重情况下会威胁整个国家的粮食安全。传统的小麦条锈病的监测方式主要依靠人工实地识别，这种方式是十分低效的，需要大量的人力和时间，而且具有主观倾向性，往往得不到正确的识别结果。因此，急需一种不仅可以节省时间和人力还能够保证识别准确率的方式识别大田环境下的小麦进行是否患条锈病，从而及时采取相关干预措施，避免适宜环境下条锈病孢子的传播和扩散，降低产量损失。
[0003]随着遥感技术的迅速发展，航空遥感逐渐成为一种重要的补充方式，利用无人机获取遥感数据进行相关研究这一方法也被逐渐应用于小麦条锈病的识别，使得作物病害在粗糙的尺度上进行识别成为可能。此外，随着机器学习、深度学习的不断发展，越来越多的学者采用遥感数据结合机器学习、深度学习的方法进行研究，但是，对于在大区域麦田下获得的大尺寸无人机影像，采用人工标注数据集的方式过于繁琐和耗时。

技术实现思路

[0004]本专利技术的目的是提供一种小麦条锈病识别方法、系统、设备及介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]第一方面，提供一种小麦条锈病识别方法，包括：
[0006]获取小麦种植区中待识别区域的原拍摄图像；
[0007]对原拍摄图像进行预处理，得到预处理图像；
[0008]标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类；所述特征区域包括健康小麦区域、条锈病小麦区域和其他区域；
[0009]构建预测模型并依据分类结果对预测模型进行训练；
[0010]使用训练后的预测模型对原拍摄图像的小麦条锈病程度进行识别。
[0011]进一步地，所述获取小麦种植区中待识别区域的原拍摄图像，包括：
[0012]使用无人机对小麦种植区的待识别区域进行拍摄，获得若干个待识别区域的原拍摄图像。
[0013]进一步地，所述对原拍摄图像进行预处理，得到预处理图像，包括：
[0014]检测每张原拍摄图像的特征点并进行特征点匹配，通过匹配的特征点重建特征点的空间三维坐标并将原拍摄图像进行对齐处理；
[0015]生成密集点云，基于二维卷积运算预测原拍摄图像的三维结构，使用渲染图像以及生成的掩膜在给定视点对原拍摄图像的三维结构进行优化；
[0016]依据优化后的三维结构生成网络和纹理，建立正射影像图。
[0017]进一步地，所述基于二维卷积运算预测原拍摄图像的三维结构，使用渲染图像以及生成的掩膜在给定视点对原拍摄图像的三维结构进行优化，包括：
[0018]依据若干个第一视点的三维刚性变换矩阵以及视点的3D点获取标准三维坐标系；
[0019]依据若干个第二视点的三维刚性变换矩阵和标准三维坐标系获取第二视点的位置以及第二视点在特定位置的深度值；
[0020]离散化第二视点的坐标，使用渲染图像以及生成的掩膜在给定的视点对原拍摄图像的三维结构进行优化。
[0021]进一步地，所述标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类，包括：
[0022]依据颜色特征对特征区域进行划分和标注；
[0023]使用支持向量机对预处理图像和标注的特征区域进行分类；
[0024]验证分类结果的准确率，输出验证后的分类结果。
[0025]进一步地，所述构建预测模型并依据分类结果对预测模型进行训练，包括：
[0026]使用滑动窗口对分类结果和预处理图像进行切割；
[0027]依据切割后获得的数据集对金字塔场景解析网络进行训练以及验证。
[0028]进一步地，所述依据切割后获得的数据集对金字塔场景解析网络进行训练以及验证，包括：
[0029]将切割后获得的数据集划分为训练集和验证集，对训练集进行平均池化；
[0030]对平均池化得到的每个特征图进行1
×
1卷积；
[0031]通过双线性插值对卷积后的特征图进行上采样，将不同层级的特征图拼接为训练的金字塔池化全局特征；
[0032]将验证集输入至训练后的金字塔场景解析网络，验证训练后的金字塔场景解析网络的预测精度。
[0033]第二方面，提供一种小麦条锈病识别系统，包括：
[0034]拍摄模块，用于获取小麦种植区中待识别区域的原拍摄图像；
[0035]预处理模块，用于对原拍摄图像进行预处理，得到预处理图像；
[0036]分类模块，用于标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类；所述特征区域包括健康小麦区域、条锈病小麦区域和其他区域；
[0037]训练模块，用于构建预测模型并依据分类结果对预测模型进行训练；
[0038]识别模块，用于使用训练后的预测模型对原拍摄图像的小麦条锈病程度进行识别。
[0039]第三方面，提供一种计算机设备，包括：
[0040]存储器，存储有计算机程序；
[0041]处理器，所述处理器执行所述计算机程序时实现如第一方面所述的小麦条锈病识别方法。
[0042]第四方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的小麦条锈病识别方法。
[0043]本专利技术的有益效果：依据标注数据集和小麦图像进行三维结构图像预测，进而准确地对发现小麦种植区图像中患有条锈病的小麦位置和比例，可以在一定程度上降低人工
标注大量样本所需的时间和人力，并且可以做到高准确率的识别，迅速地对小麦的条锈病进行识别，为进一步对小麦条锈病的早期预防提供技术支撑。
附图说明
[0044]图1是根据一实施例示出的小麦条锈病识别方法的流程图。
[0045]图2是根据一实施例示出的步骤S200的流程图。
[0046]图3是根据一实施例示出的步骤S300的流程图。
[0047]图4是根据一实施例示出的步骤S400的流程图。
[0048]图5是根据一实施例示出的一种小麦条锈病识别系统的结构框图。
[0049]图6是根据一实施例示出的一种计算机设备的内部结构图。
具体实施方式
[0050]为使本专利技术实施例的目的、技术方案和优点更加清晰，下面将结合实施例和附图，对本专利技术作进一步的描述。
[0051]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要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0052]根据本专利技术的第一方面，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小麦条锈病识别方法，其特征在于，包括：获取小麦种植区中待识别区域的原拍摄图像；对原拍摄图像进行预处理，得到预处理图像；标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类；所述特征区域包括健康小麦区域、条锈病小麦区域和其他区域；构建预测模型并依据分类结果对预测模型进行训练；使用训练后的预测模型对原拍摄图像的小麦条锈病程度进行识别。2.根据权利要求1所述的小麦条锈病识别方法，其特征在于，所述获取小麦种植区中待识别区域的原拍摄图像，包括：使用无人机对小麦种植区的待识别区域进行拍摄，获得若干个待识别区域的原拍摄图像。3.根据权利要求1所述的小麦条锈病识别方法，其特征在于，所述对原拍摄图像进行预处理，得到预处理图像，包括：检测每张原拍摄图像的特征点并进行特征点匹配，通过匹配的特征点重建特征点的空间三维坐标并将原拍摄图像进行对齐处理；生成密集点云，基于二维卷积运算预测原拍摄图像的三维结构，使用渲染图像以及生成的掩膜在给定视点对原拍摄图像的三维结构进行优化；依据优化后的三维结构生成网络和纹理，建立正射影像图。4.根据权利要求3所述的小麦条锈病识别方法，其特征在于，所述基于二维卷积运算预测原拍摄图像的三维结构，使用渲染图像以及生成的掩膜在给定视点对原拍摄图像的三维结构进行优化，包括：依据若干个第一视点的三维刚性变换矩阵以及视点的3D点获取标准三维坐标系；依据若干个第二视点的三维刚性变换矩阵和标准三维坐标系获取第二视点的位置以及第二视点在特定位置的深度值；离散化第二视点的坐标，使用渲染图像以及生成的掩膜在给定的视点对原拍摄图像的三维结构进行优化。5.根据权利要求1所述的小麦条锈病识别方法，其特征在于，所述标注预处理图像中的特征区域，对预处理图像和标注的特征区域进行分类，包括：依据颜色特征对特征区域进行划分和标注；使用...

【专利技术属性】
技术研发人员：闫敬文，吴平波，潘倩，梁子力，
申请(专利权)人：汕头大学，
类型：发明
国别省市：