一种温室生产环境下草莓白粉病快速检测方法技术

本发明专利技术为一种温室生产环境下草莓白粉病快速检测方法，该方法包括：采集温室草莓生产环境下不同光照条件下白粉病发病叶片背面图像，在背面图像上按照病害、发病叶片、其他叶片进行标注；构建DW

【技术实现步骤摘要】
一种温室生产环境下草莓白粉病快速检测方法


[0001]本专利技术的技术方案涉及草莓白粉病检测
，具体地说是一种基于DW
‑
YOLOv4温室生产环境下草莓白粉病快速检测方法。

技术介绍

[0002]草莓是近年来深受用户喜爱的高价值水果之一，在北方于每年8
‑
9月份定植，到次年3
‑
4月结束。由于是越冬茬，草莓通常在温室中进行培育，受温室温室结构影响，草莓种植期间易出现湿度大、光照不足、通风不良等问题，为草莓真菌性病害发生提供了温床。白粉病是近年来草莓生产上普遍发生的一种危害严重的病害，该病害发生流行频率高，经济损失较高。发生白粉病后，草莓一般减产20％
‑
30％，严重时可达50％以上，甚至绝收，严重影响草莓的产量和品质。草莓白粉病在发病初期，受害部位会覆盖一层白色粉状物，表现为叶面出现白色菌丝。随着病情加重，叶片产生暗斑和白色粉状物，叶缘上卷，后期病斑变红褐色，叶质变脆，叶缘萎缩、焦枯。目前白粉病的发现主要靠人工检验，周期长、发现滞后，并且发现后病情诊断、如何施药等措施由于缺少专家参与极易出现农户施用药品种类、药量不准确情况，进一步造成产量、品质的损失以及环境的污染。即便专家现场协助指导，但由于观察数量有限，同样存在估算病情指数依据经验，数据不准确的情况。随着人工智能的发展，使用计算机视觉技术进行病害的识别、病情的诊断成为了可能性，使用视觉技术可以实现更多点位的病情监控，并进行病情诊断，给出合理的施治方案。因此在真实生产环境对草莓叶片白粉病害进行快速检测和识别成为了智能农业的主要研究方向之一。
[0003]Jaemyung Shin等人在“Adeep learning approach for RGB image
‑
based powdery mildew disease detection on strawberry leaves”中对比了使用AlexNet、SqueezeNet、GoogLeNet、ResNet
‑
50、SqueezeNet
‑
MOD1和SqueezeNet
‑
MOD2六种网络进行草莓叶片白粉病识别的效果，确定使用ResNet
‑
50识别率更高，使用SqueezeNet
‑
MOD2识别率略低于ResNet
‑
50，但其所使用的数据集是实验室环境简单背景下的图像，仅能判别叶片是否为发病叶，没有对病害的位置进行检测、也没有对发病程度进行估算。Patrick Wspanialy等人在“A detection and severity estimation system for generic diseases of tomato greenhouse plants”中提出了一种温室种植番茄病害严重程度评估方法，但使用的同样是针对实验室简单环境下采集的叶片病害样本，对病害的识别使用的是实例分割方法，识别的叶片和病害边缘是不规则的区域，算法运行速度慢，难以在实际应用中推广。公布号为CN 112150481 A的中国专利公开一种白粉病图像分割方法，使用的是白粉病灰度图进行病害点实例分割，再用白粉病病害区域的像素点占采集图像的像素点的比例计算发病程度，其分母为采集图像的像素点，并非完整叶片的像素点，容易在发病程度计算上存在偏差，且实例分割的算法效率往往低于目标检测算法的识别效率，不能满足实际应用中实时性的要求。

技术实现思路

[0004]针对现有技术的不足，本专利技术所要解决的技术问题是：提出一种温室生产环境下基于DW
‑
YOLOv4(Depthwise separable
‑
You Only Look Once v4，深度可分离YOLOv4网络)的草莓白粉病快速检测方法，该方法将深度可分离卷积结构嵌入到YOLOv4框架中，通过多尺度目标检测实现了对草莓叶片白粉病病害区域和发病叶片的检测，并基于病害检测区域面积预估病情指数，解决了草莓白粉病发病初期检测难的问题，实现了草莓白粉病的快速检测及病情定级。
[0005]本专利技术解决所述技术问题所采用的技术方案是：一种温室生产环境下草莓白粉病快速检测方法，该方法包括以下内容：
[0006]采集温室草莓生产环境下不同光照条件下白粉病发病叶片背面图像，图像背景为草莓生长环境，在背面图像上按照病害、发病叶片、其他叶片进行标注，制作数据集；
[0007]构建DW
‑
YOLOv4网络，网络包括骨干网络模块和融合特征提取模块两部分：
[0008]骨干网络模块：使用五组基于深度可分离卷积的跨阶段局部网络模块DW
‑
CSPNet进行串联获得，其中，DW
‑
CSPNet包括通过卷积核大小为3
×
3的卷积层下采样、卷积核大小为1
×
1的卷积层压缩或扩充通道、卷积核为3
×
3的深度可分离卷积、通道拼接、特征图求和操作；
[0009]融合特征提取模块：使用骨干网络模块中的第3、4、5个基于深度可分离卷积结构的跨阶段局部网络DW
‑
CSPNet的三个输出特征图作为输入，融合特征提取模块包括最大池化、通道拼接、卷积核大小为1
×
1的卷积层、上采样、下采样，最终形成三个尺度不同的输出特征图；
[0010]将采集到的图像输入到DW
‑
YOLOv4网络中实现草莓叶片白粉病病害区域及发病叶片的检测。
[0011]根据白粉病发病病害区域面积占发病叶片面积的占比得到病情指数。
[0012]所述病情指数的具体计算过程是：
[0013]利用公式(24)计算融合调整系数的发病率，
[0014][0015]其中，a
i
表示第i片发病叶片的发病率，A表示病害的面积，j为第i片发病叶片上的第j个发病点病害，n表示第i片发病叶片上的发病点病害个数，B
i
表示第i片发病叶片面积，σ表示叶片面积调整系数；
[0016]叶片面积调整系数计算方法为，使用二值化和OTSU对标记的发病叶片部分提取绿色像素数除以发病叶片标记框像素数；
[0017]计算单个叶片的病情指数将病情分为1
‑
9级，当发病率小于5％时，病情级别为1；当发病率在5％
‑
25％之间时，病情级别为3；当发病率在25％
‑
50％之间时，病情级别为5；当发病率在50％
‑
75％之间时，病情级别为7；当发病率大于75％时，病情级别为9，具体公式如下：
[0018][0019]其中，i表示第i片发病叶片；
[0020]根据公式(26)计算整体病情指数
[0021][0022]其中，N为发病叶片个数，i为第i片发病叶片；
[0023]根据不同的发病程度通过经验数据会给出相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种温室生产环境下草莓白粉病快速检测方法，该方法包括以下内容：采集温室草莓生产环境下不同光照条件下白粉病发病叶片背面图像，图像背景为草莓生长环境，在背面图像上按照病害、发病叶片、其他叶片进行标注，制作数据集；构建DW
‑
YOLOv4网络，网络包括骨干网络模块和融合特征提取模块两部分：骨干网络模块：使用五组基于深度可分离卷积的跨阶段局部网络模块DW
‑
CSPNet进行串联获得，其中，DW
‑
CSPNet包括通过卷积核大小为3
×
3的卷积层下采样、卷积核大小为1
×
1的卷积层压缩或扩充通道、卷积核为3
×
3的深度可分离卷积、通道拼接、特征图求和操作；融合特征提取模块：使用骨干网络模块中的第3、4、5个基于深度可分离卷积结构的跨阶段局部网络DW
‑
CSPNet的三个输出特征图作为输入，融合特征提取模块包括最大池化、通道拼接、卷积核大小为1
×
1的卷积层、上采样、下采样，最终形成三个尺度不同的输出特征图；将采集到的图像输入到DW
‑
YOLOv4网络中实现草莓叶片白粉病病害区域及发病叶片的检测。2.根据权利要求1所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，根据白粉病发病病害区域面积占发病叶片面积的占比得到病情指数。3.根据权利要求2所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，所述病情指数的具体计算过程是：利用公式(24)计算融合调整系数的发病率，其中，a
i
表示第i片发病叶片的发病率，A表示病害的面积，j为第i片发病叶片上的第j个发病点病害，n表示第i片发病叶片上的发病点病害个数，B
i
表示第i片发病叶片面积，σ表示叶片面积调整系数；叶片面积调整系数计算方法为，使用二值化和OTSU对标记的发病叶片部分提取绿色像素数除以发病叶片标记框像素数；计算单个叶片的病情指数将病情分为1
‑
9级，当发病率小于5％时，病情级别为1；当发病率在5％
‑
25％之间时，病情级别为3；当发病率在25％
‑
50％之间时，病情级别为5；当发病率在50％
‑
75％之间时，病情级别为7；当发病率大于75％时，病情级别为9，具体公式如下：其中，i表示第i片发病叶片；根据公式(26)计算整体病情指数根据公式(26)计算整体病情指数其中，N为发病叶片个数，i为第i片发病叶片；
根据不同的发病程度通过经验数据会给出相应的专家治疗意见，不同病情指数对应相应的专家治疗意见。4.根据权利要求2所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，所述叶片面积调整系数为0.6
‑
0.7。5.根据权利要求1所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，所述基于深度可分离卷积的跨阶段局部网络DW
‑
CSPNet的流程是：使用卷积核大小为3
×
3、步长为2、输出通道数为C
out
的卷积层对输入特征图进行处理，之后分成两个分支，第一个分支使用卷积核大小为1
×
1的卷积层压缩通道；第二个分支使用卷积核大小为1
×
1的卷积层压缩通道、使用卷积核大小为3
×
3的深度可分离卷积提取特征、使用卷积核大小为1
×
1的卷积层扩充通道数，扩充通道数后的输出与第二个分支压缩通道的结果进行加和；再将第二个分支的结果与第一个分支的结果进行通道拼接、使用卷积核大小为1
×
1的卷积层压缩通道，获得输出特征图DW_CSP。6.根据权利要求1所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，所述骨干网络模块的流程是：输入特征图，使用三个基于深度可分离卷积的跨阶段局部网络，下采样并扩充通道数，得到输出特征图DW_CSP1，输出特征图DW_CSP1一方面直接输出，另一方面输出至第四个基于深度可分离卷积的跨阶段局部网络，下采样并扩充通道数，得到输出特征图DW_CSP2；输出特征图DW_CSP2一方面直接输出，另一方面输出至第五个基于深度可分离卷积的跨阶段局部网络，下采样并扩充通道数，得到输出特征图DW_CSP3，因此骨干网络模块共有三个输出分别为DW_CSP1、DW_CSP2和DW_CSP3。7.根据权利要求1所述的温室生产环境下草莓白粉病快速检测方法，其特征在于，所述融合特征提取模块用于对骨干网络模块的三个输出进行融合，具体流程是：对骨干网络模块的最后一个输出特征图使用卷积核大小为3
×
3的卷积层压缩通道，之后分别进行步长为5、9、13的三个最大池化处理，这三个最大池化层为并联关系即三者的输入均相同，再将三个最大池化处理后的结果与上一步3
×
3的卷积层压缩通道后的结果进行通道拼接，再次使用卷积核大小为1
×
1的卷积层压缩通道获得特征图D
4.3
，特征图D
4.3
一方面经上采样后与骨干网络模块的第二个输出特征图进行通道拼接，之后再经卷积核大小为1
×
1的卷积层获得特征图D
4.4
，特征图D
4.4
一方面经卷积核大小为1
×
1的卷积层压缩通道后进行上采样，再与骨干网络模块的第一个输出特征图进行通道拼接，之后使用卷积核大小为3
×
3的卷积层压缩通道获得特征图D
4.5
；特征图D
4.5
一方面使用卷积核大小为3
×
3、步长为2的卷积层下采样并扩充通道后再与特征图D
4.4
进行通道拼接，二者通道拼接后的结果使用卷积核大小为3
×
3的卷积层压缩通道获得特征图D
4.6
，特征图D
4.6
一方面使用卷积核大小为3
×
3、步长为2的卷积层下采样并扩充通道后再与特征图D
4.3
进行通道拼接，通道拼接后的结果使用卷积核大小为3
×
3的卷积层压缩通道获得特征图D
4.7
，特征图D
4.7
经卷积核大小为1
×
1的卷积层调整通道获得输出特征图D
4.8.3
；特征图D
4.6
另一方面也使用卷积核大小为1
×
1的卷积层调整通道获得输出特征图D
4.8.2
，特征图D
4.5
另一方面也使用卷积核大小为1
×
1的卷积层调整通道获得输出特征图D
4.8.1
，特征图D
4.8.3
、特征图D
4.8.2
、特征图D
4.8.1
为融合特征提取模块的三个输出。8.一种温室生产环境下草莓白粉病快速检测方法，该检测方法的具体步骤是：
第一步，采集温室生产环境下草莓叶片病害图像数据，并制作数据集：第1.1步，在日光温室草莓生产环境下，设置多个采样点，采集不同光照条件真实生产环境下的草莓病害叶片背面图像，采样点应尽量覆盖到了整个温室，病害叶片背面需要人工翻叶片，但是叶片不脱离植物，采样的时候背景是包含非所观察的病害叶片的其它叶片的；第1.2步，基于采样点抽选，找到发病叶片就采集，一旦发现病害发生，开始对观测的每株全部叶片进行分辨、拍照，全部图像获取均由专业人员人工观测获得；第1.3步，使用labelimg工具标注图像，按照病害(powdery mildew)、发病叶片(leaf with disease)，其他叶片(leaf without disease)进行标注，即将病害所在位置框选出来，将病害所在整个叶片即发病叶片框选，除发病叶片以外的肉眼可见的叶片轮廓为其他叶片将其框选出来，对于图片中虚化严重的叶片，如果边缘区域无法肉眼辨识，则不予标记；第1.4步，生成数据集；将不同光照背景环境下采集标注后含病害的所有图像制作数据集，每张图片会包含三种标注中的一个或多个，其中病害和发病叶片都至少会有一个，其他叶片可能没有，也可能有多个；第二步，图像预处理：第2.1步，将上述第1.4步得到数据集中的图像作为输入，通过亮数据增强手段进行处理，并使用mosaic方法进行拼接，形成增强后图像；第2.2步，将第2.1步增强后图像随机缩放到32的10
‑
19倍进行训练；第三步，使用基于深度可分离卷积的跨阶段局部网络(DW
‑
CSPNet)构建DW
‑
YOLOv4的骨干网络模块；第3.1步，构建基于深度可分离卷积的跨阶段局部网络模块(DW
‑
CSPNet)第3.1.1步，以上一步的输出图像D作为输入，送入卷积核大小为3
×
3、步长为2、输出通道数为C
out
的下采样层进行图像处理，形成特征图D1，如公式(1)所示，其中，表示卷积核大小为3
×
3，步长为2，含归一化和LeakyReLU激活函数的卷积操作；第3.1.2步，处理后的结果分成2个分支，一个分支使用卷积核大小为1
×...

【专利技术属性】
技术研发人员：李扬，田涛，程文娟，腰彩红，闫松，于洋，宋治文，王建春，
申请(专利权)人：天津市农业科学院，
类型：发明
国别省市：