一种适应雨天环境的农作物病虫害检测方法技术

本发明专利技术公开了一种适应雨天环境的农作物病虫害检测方法，包括以下步骤：步骤1、获取有雨、无雨、农作物病虫害图像数据集；步骤2、对数据集进行预处理；步骤3、利用有雨、无雨图像数据集对DCD

【技术实现步骤摘要】
一种适应雨天环境的农作物病虫害检测方法


[0001]本专利技术涉及病虫害检测方法领域，具体是一种适应雨天环境的农作物病虫害检测方法。

技术介绍

[0002]传统的小麦病虫害检测方法包括人工辨别和仪器识别，存在成本高、费时费力的特点，同时技术人员的缺乏和存在误判的风险也使得传统的人工的方法难以在现实中普及。为了满足科学研究和生产需要，将计算机中的机器学习与农业中的病虫害结合起来的病虫害检测模型显得尤为重要。
[0003]机器学习可以通过对需要分析的图像进行特征提取，经过特定的算法，输出图像的情况。在检测精度、时间和成本上对比传统的方法具有巨大优势。但传统的机器学习方式对图像的质量有着很高的要求，在复杂的雨天环境下拍摄的图像通常会因雨痕而导致能见度不佳。这些退化的图像通常会影响许多计算机视觉任务(比如图像识别、检测、分割和视频检测)，下雨的环境会严重影响检测结果。因此建立一种在雨天的检测模型具有很大意义。

技术实现思路

[0004]本专利技术的目的是提供一种适应雨天环境的农作物病虫害检测方法，以解决现有技术基于计算机视觉技术的病虫害检测方法存在的在雨天环境下效果不佳、检测速度差的问题。
[0005]为了达到上述目的，本专利技术所采用的技术方案为：
[0006]一种适应雨天环境的农作物病虫害检测方法，包括以下步骤：
[0007]步骤1、获取有雨、无雨图像数据集，以及农作物病虫害图像数据集；
[0008]步骤2、对步骤1得到的有雨、无雨图像数据集以及农作物病虫害图像数据集中的数据分别进行预处理，并对农作物病虫害图像数据集进行加雨处理；
[0009]步骤3、采用DCD
‑
GAN模型，利用步骤2预处理后的有雨、无雨图像数据集对DCD
‑
GAN模型进行训练，每次训练后通过计算DCD
‑
GAN模型的损失函数对所述DCD
‑
GAN模型的参数进行学习指导，由此得到DCD
‑
GAN模型的最优配置参数；
[0010]步骤4、采用YOLOX模型，将步骤3最优配置参数下的DCD
‑
GAN模型的输出连接YOLOX模型的输入，由此得到D
‑
YOLOX模型；
[0011]步骤5、利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到的D
‑
YOLOX模型进行训练，每次训练后计算D
‑
YOLOX模型输出结果的误差，并将误差反向传播至D
‑
YOLOX模型的参数，直至误差符合预期，由此得到D
‑
YOLOX模型的最优配置参数；
[0012]步骤6、将待识别的雨天环境的农作物病虫害图像数据输入至步骤5得到的最优配置参数下的D
‑
YOLOX模型，通过D
‑
YOLOX模型输出病虫害识别结果。
[0013]进一步的步骤2中，对有雨、无雨图像数据集中的数据进行的预处理包括去除重复
图像处理、删除损坏图像处理。
[0014]进一步的步骤2中，对农作物病虫害图像数据集中的数据进行的预处理包括：首先去除重复图像、删除损坏图像和删除不匹配信息；然后使用马赛克数据广增，对图像随机剪裁出一部分作为新的图像，同时以设定的概率进行随机翻转，并从若干种尺度中随机挑选一种以对数据进行缩放。
[0015]进一步的步骤2中，采用线性叠加模型将预处理后的农作物病虫害图像数据集，与雨条纹图层进行线性叠加，由此实现对农作物病虫害图像数据集进行加雨处理。
[0016]进一步的步骤3中，每次训练后计算的DCD
‑
GAN模型的损失函数为对比损失函数、颜色循环一致性损失函数、对抗损失函数、频率损失函数之和。
[0017]进一步的步骤4中，所述YOLOX模型中Neck部分的特征金字塔结构为循环特征金字塔结构。
[0018]与现有技术相比，本专利技术的优点为：
[0019]本专利技术基于YOLOX模型进行改进，通过添加DCD
‑
GAN模型得到D
‑
YOLOX模型模型，以实现雨天环境下的适用性，通过将YOLOX中的特征金字塔结构替换成循环金字塔结构实现检测精度的提升。本专利技术方法能够有效避免因雨天拍摄的图像质量差，雨水干扰对模型性能产生影响，减少误判和少判的情况，同时提高了小麦病虫害的识别精度。本专利技术方法不仅适用于小麦上，也能够适用于其他农作物的病虫害检测。
附图说明
[0020]图1是本专利技术方法的流程框图。
[0021]图2是本专利技术方法的D
‑
YOLOX模型的结构图。
[0022]图3是本专利技术方法的D
‑
YOLOX模型的循环特征金字塔结构图。
[0023]图4是本专利技术方法的D
‑
YOLOX模型的训练步骤流程图。
具体实施方式
[0024]下面结合附图和实施例对本专利技术进一步说明。
[0025]如图1所示，本实施例一种适应雨天环境的小麦病虫害检测方法，包括以下步骤：
[0026](1)准备数据集：
[0027]在实地拍摄和网上采集有雨、无雨图像作为有雨、无雨图像数据集。在网上采集农作物病虫害的图像作为农作物病虫害图像数据集。
[0028](2)数据集预处理：
[0029]对于步骤(1)中的有雨、无雨图像数据集，使用Python对有雨、无雨图像数据集依次进行去除重复图像预处理、删除损坏图像预处理。
[0030]对于步骤(1)中的农作物病虫害图像数据集，首先进行去除重复图像、删除损坏图像和删除标注文件中不匹配的信息预处理。然后，对农作物病虫害图像数据集使用马赛克数据广增处理(随机裁剪四张图像，然后拼接成一张新图像作为新数据)，对图像随机剪裁出一部分作为新的图像，同时以设定的概率进行随机翻转处理，并从若干种尺度中随机挑选一种以对训练集中数据进行缩放处理。
[0031]最后，将预处理后的农作物病虫害图像数据集按7:2:1的比例划分成训练集、测试
集和验证集，并对农作物病虫害图像数据集整体进行加雨处理，以模拟在雨天条件下的图像识别。
[0032]由于雨天拍摄的农作物病虫害图像数据集较少，因此本专利技术采用人工合成的方式来模拟生成雨天的农作物病虫害图像数据集，生成过程由线性叠加模型完成，线性叠加模型的计算公式如下：
[0033]O＝B+R,
[0034]其中，O表示生成的雨天的农作物病虫害图像，B表示清晰的农作物病虫害图像，R表示雨条纹图层。
[0035](3)构建并训练DCD
‑
GAN模型：
[0036]DCD
‑
GAN是Cycle GAN类型的机器学习模型，优点是无监督学习，因此数据集不需要成对，只需要提供两种类别下的训练集就能对模型进行训练。本专利技术DCD
‑
GAN模型设有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适应雨天环境的农作物病虫害检测方法，其特征在于，包括以下步骤：步骤1、获取有雨、无雨图像数据集，以及农作物病虫害图像数据集；步骤2、对步骤1得到的有雨、无雨图像数据集以及农作物病虫害图像数据集中的数据分别进行预处理，并对农作物病虫害图像数据集进行加雨处理；步骤3、采用DCD
‑
GAN模型，利用步骤2预处理后的有雨、无雨图像数据集对DCD
‑
GAN模型进行训练，每次训练后通过计算DCD
‑
GAN模型的损失函数对所述DCD
‑
GAN模型的参数进行学习指导，由此得到DCD
‑
GAN模型的最优配置参数；步骤4、采用YOLOX模型，将步骤3最优配置参数下的DCD
‑
GAN模型的输出连接YOLOX模型的输入，由此得到D
‑
YOLOX模型；步骤5、利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到的D
‑
YOLOX模型进行训练，每次训练后计算D
‑
YOLOX模型输出结果的误差，并将误差反向传播至D
‑
YOLOX模型的参数，直至误差符合预期，由此得到D
‑
YOLOX模型的最优配置参数；步骤6、将待识别的雨天环境的农作物病虫害图像数据输入至...

【专利技术属性】
技术研发人员：吴琪，吴云志，曾涛，乐毅，张友华，余克健，胡楠，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：