一种基于深度学习的杂粮作物病虫害检测方法技术

本发明专利技术杂粮作物病虫害识别技术领域，尤其涉及一种基于深度学习的杂粮作物病虫害检测方法，步骤1：建立病虫害项目数据库和正常杂粮作物的模型数据库；步骤2：基于摄像机获取待识别的现场杂粮作物图像；步骤3：对获取的现场杂粮作物图像进行预处理；步骤4：建立深度学习识别模型；步骤5：通过深度学习识别模型对预处理后的杂粮作物图像进行识别；步骤6：人机交互界面显示识别结果。本发明专利技术通过深度学习识别模型进行计算分析，得到杂粮作物的病虫害类型；从而有效的避免，通过人工感官判断造成的容易受情绪、健康以及疲劳等因素影响的问题。健康以及疲劳等因素影响的问题。健康以及疲劳等因素影响的问题。

【技术实现步骤摘要】
一种基于深度学习的杂粮作物病虫害检测方法


[0001]本专利技术杂粮作物病虫害识别
，尤其涉及一种基于深度学习的杂粮作物病虫害检测方法。

技术介绍

[0002]杂粮作物通常是指水稻、小麦、玉米、大豆和薯类五大作物以外的粮豆作物。主要有：高粱、谷子、荞麦、燕麦等，其特点是生产期短、种植面积少、种植地区特殊以及产量交低，一般都含有丰富的营养成分。
[0003]目前，病虫害的问题是严重影响我国农业生产的主要原因之一；而目前病虫害的检测方法主要是人工感官判定和理化检测两种。人工感官判定很容易受到情绪、健康、疲劳等一些主观因素的影响；而理化检测对使用者技术要求高且时效性较差，在具体诊断中很不实用。

技术实现思路

[0004]为了解决上述现有技术中存在的技术问题，本专利技术提供了一种基于深度学习的杂粮作物病虫害检测方法，拟解决现有技术中提到的通过人工感官进行病虫害判断时，容易受情绪、健康以及疲劳等因素的影响。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于深度学习的杂粮作物病虫害检测方法，包括以下步骤：
[0007]步骤1：建立病虫害项目数据库和正常杂粮作物的模型数据库，并在病虫害项目数据库中建立数据库表，数据库表中对应每个病虫害名称建立对应的防治措施；
[0008]步骤2：基于摄像机获取待识别的现场杂粮作物图像；
[0009]步骤3：对步骤2中获取的现场杂粮作物图像进行预处理；
[0010]步骤4：建立深度学习识别模型，建立好的深度学习识别模型存储至储存器中建立的储存空间中；
[0011]步骤5：调用储存器中储存的深度学习识别模型对预处理后的现场杂粮作物图像进行识别，得到识别结果；
[0012]步骤6：根据识别结果判断出是否存在病虫害，若存在，则通过人机交互界面查询病虫害项目数据库中对应的病虫害名称以及对应的防治措施，并通过人机交互界面进行显示。
[0013]本专利技术通过对现场杂粮作物图像进行预处理后，将进行预处理后的杂粮作物图像输入至深度学习识别模型中，通过深度学习识别模型进行计算分析，得到杂粮作物的病虫害类型；并专利技术只需通过无人机或者是人工进行拍摄杂粮作物的图片，通过对杂粮作物的图片进行分析，即可达到杂粮作物的病虫害类型，从而有效的避免，通过人工感官判断造成的容易受情绪、健康以及疲劳等因素影响的问题；并本专利技术通过自动分析的方式，提高了时效性。
[0014]优选的，所述步骤3包括以下步骤：
[0015]步骤3.1：基于正常杂粮作物的模型数据库确定现场杂粮作物图像中的杂粮作物种类；
[0016]步骤3.2基于确定的杂粮作物种类，对步骤2中获取的现场杂粮作物图像中的每一个像素点进行模型隶属度计算，并与正常杂粮作物的模型数据库进行对比，得到颜色和纹理差异；
[0017]步骤3.3：对差异度图像使用自动阈值方法分割得到差异区域；
[0018]步骤3.4：对差异区域进行后处理得到差异区域初始轮廓；
[0019]步骤3.5：使用差异引导的活动轮廓模型演化得到差异区域的精准轮廓和区域，将差异区域的精准轮廓和区域作为预处理后的现场杂粮作物图像。
[0020]本专利技术通过对杂粮作物的图像预处理，首先通过预处理分析得到精准的差异区域，在对差异区域进行分析确定病虫害的类型；若在预处理中，并未发现到差异区域，则可以结束本次分析，若发现差异区域，则继续进行分析；通过上述方式使得本专利技术在未发现差异区域时，直接结束分析流程，从而简化了分析流程。
[0021]优选的，所述正常杂粮作物的模型数据库储存有不同杂粮作物的不同年龄所对应的形状、颜色以及轮廓所对应的杂粮作物图像。
[0022]本专利技术通过将不同杂粮作物在不同年龄阶段所对应的形状、颜色以及轮廓储存至正常杂粮作物的模型数据库中，从而使得最终的检测精度更加精准。
[0023]优选的，所述病虫害项目数据库储存有不同杂粮作物的不同年龄所对应的形状、颜色以及轮廓所对应的杂粮作物图像。
[0024]本专利技术通过将不同杂粮作物在不同年龄阶段所对应的形状、颜色以及轮廓储存至病虫害项目数据库中，从而使得最终的检测结果更加准确。
[0025]优选的，所述步骤3.1包括以下步骤：
[0026]步骤3.11：将步骤2中获取到的现场杂粮作物图像与正常杂粮作物的模型数据库中储存的杂粮作物进行对比，识别出现场杂粮作物图像的种类；
[0027]步骤3.12：基于现场杂粮作物图像的形状、颜色和轮廓确定杂粮作物的年龄。
[0028]本专利技术通过确定现场杂粮作物图像的形状、颜色和轮廓来确定待识别杂粮作物的年龄，并与相应的杂粮作物的所对应的年龄进行对比分析，使得最终的检测结果更加准确。
[0029]优选的，所述步骤3.2中在确定杂粮作物的种类和年龄后，调用正常杂粮作物的模型数据库中相对应的种类和年龄的杂粮作物作为对比对象。
[0030]本专利技术通过确定现场杂粮作物图像的形状、颜色和轮廓来确定待识别杂粮作物的年龄，并与相应的杂粮作物的所对应的年龄进行对比分析，使得最终的检测结果更加准确。
[0031]优选的，所述步骤4包括以下步骤：
[0032]步骤4.1：基于历史病虫害数据建立深度学习识别模型；
[0033]步骤4.2：将历史病虫害数据分为训练集和测试集；
[0034]步骤4.3：基于训练集对深度学习识别模型进行训练，得到病虫害系数；
[0035]步骤4.4：基于测试集和病虫害系数测试所述深度学习识别模型，测试完成后，完成深度学习识别模型的建立。
[0036]优选的，所述步骤4.2中将训练集和测试集按照7比3的比例进行划分。
[0037]优选的，若步骤4.4中的测试结果不准确，则调整深度学习识别模型的参数，重复进行测试，直到测试结果准确为准。
[0038]本专利技术的有益效果包括：
[0039]1.本专利技术通过对杂粮作物的图像预处理，首先通过预处理分析得到精准的差异区域，在对差异区域进行分析确定病虫害的类型；若在预处理中，并未发现到差异区域，则可以结束本次分析，若发现差异区域，则继续进行分析；通过上述方式使得本专利技术在未发现差异区域时，直接结束分析流程，从而简化了分析流程。
[0040]2.本专利技术通过对杂粮作物的图像预处理，首先通过预处理分析得到精准的差异区域，在对差异区域进行分析确定病虫害的类型；若在预处理中，并未发现到差异区域，则可以结束本次分析，若发现差异区域，则继续进行分析；通过上述方式使得本专利技术在未发现差异区域时，直接结束分析流程，从而简化了分析流程。
[0041]3.本专利技术通过确定现场杂粮作物图像的形状、颜色和轮廓来确定待识别杂粮作物的年龄，并与相应的杂粮作物的所对应的年龄进行对比分析，使得最终的检测结果更加准确。
附图说明
[0042]图1为本专利技术的流程示意图。
具体实施方式
[0043]为使本申请实施例的目的、技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的杂粮作物病虫害检测方法，其特征在于，包括以下步骤：步骤1：建立病虫害项目数据库和正常杂粮作物的模型数据库，并在病虫害项目数据库中建立数据库表，数据库表中对应每个病虫害名称建立对应的防治措施；步骤2：基于摄像机获取待识别的现场杂粮作物图像；步骤3：对步骤2中获取的现场杂粮作物图像进行预处理；步骤4：建立深度学习识别模型，建立好的深度学习识别模型存储至储存器中建立的储存空间中；步骤5：调用储存器中储存的深度学习识别模型对预处理后的现场杂粮作物图像进行识别，得到识别结果；步骤6：根据识别结果判断出是否存在病虫害，若存在，则通过人机交互界面查询病虫害项目数据库中对应的病虫害名称以及对应的防治措施，并通过人机交互界面进行显示。2.根据权利要求1所述的一种基于深度学习的杂粮作物病虫害检测方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：基于正常杂粮作物的模型数据库确定现场杂粮作物图像中的杂粮作物种类；步骤3.2基于确定的杂粮作物种类，对步骤2中获取的现场杂粮作物图像中的每一个像素点进行模型隶属度计算，并与正常杂粮作物的模型数据库进行对比，得到颜色和纹理差异；步骤3.3：对差异度图像使用自动阈值方法分割得到差异区域；步骤3.4：对差异区域进行后处理得到差异区域初始轮廓；步骤3.5：使用差异引导的活动轮廓模型演化得到差异区域的精准轮廓和区域，将差异区域的精准轮廓和区域作为预处理后的现场杂粮作物图像。3.根据权利要求2所述的一种基于深度学习的杂粮作物病虫害检测方法，其特征在于，所述正常杂粮作物的模型数据库储存有不同杂粮作物的不同年龄所对应的形状、颜色以及轮廓所对应的杂...

【专利技术属性】
技术研发人员：蒲强，
申请(专利权)人：成都大学，
类型：发明
国别省市：