本申请提供了茶叶病害的检测方法及相关装置，用于对茶叶进行检测，所述方法包括：将待测茶叶图像输入至茶叶病害检测模型，以得到待测茶叶图像的病害检测结果。其中，用于训练茶叶病害检测模型的深度学习模型包括BackBone单元、Neck单元和Head单元，BackBone单元添加有RFB模块，Neck单元添加有二维混合注意力模块，该二维混合注意力模块分为上下两个并行分支，它是由上分支的通道注意力子模块、空间注意力子模块和下分支的坐标注意力子模块混合而成。另外，采用无人机拍摄得到的遥感数据进行超分辨率重建，制作得到训练集。在茶叶病害检测模型中使用了平均精度更高、检测速度更快的单元和模块，定位到需要注意的茶叶病害位置，解决传统检测方法耗时耗力和漏检误检的问题。题。题。
【技术实现步骤摘要】
茶叶病害的检测方法及相关装置
[0001]本申请涉及遥感、图像检测、植物病害检测、深度学习的
，尤其涉及茶叶病害的检测方法及相关装置。
技术介绍
[0002]茶树在生长过程中容易受到病害侵染，这些病害严重影响了茶叶的品质和产量，实时精确地监测茶叶病害有利于病害的精准防治，提高茶农收入。目前茶叶病害的检测主要依靠人工识别，但是许多茶园位于人迹罕至的山区，人工识别耗时耗力且需要大量经济成本昂贵。随着计算机技术的发展，茶叶病害的检测已经从人工识别转化为图像自动识别。利用计算机视觉进行图像识别的方法因其效率和准确性而受到欢迎。然而，在自然背景的茶叶图像中，茶叶病害区域和茶叶种植区域背景颜色，纹理等具有高度相似性，这导致了茶叶病害的错误检测。
[0003]专利CN112801991B公开了一种基于图像分割的水稻白叶枯病检测方法，该方法包括：通过获取水稻叶片图像，根据水稻叶片图像和预设的图像分割算法，获取水稻叶片图像对应的超像素图像，其中，超像素图像中包括若干个超像素，每个超像素基于若干个水稻叶片图像中的像素点生成；之后，根据超像素图像和预设的病斑提取算法，提取超像素图像中的疑似病斑，将超像素图像中的疑似病斑的特征输入已训练好的水稻白叶枯病检测模型，得到水稻叶片的白叶枯病检测结果。该申请由于模型限制导致测精度相对较低。
[0004]基于此，本申请提供了茶叶病害的检测方法及相关装置，以解决现有技术的不足。
技术实现思路
[0005]本申请的目的在于提供一种茶叶病害的检测方法，用于对茶叶进行检测，以解决传统检测方法耗时耗力和漏检误检的问题。
[0006]本申请的目的采用以下技术方案实现：
[0007]第一方面，本申请提供了一种茶叶病害的检测方法，用于对茶叶进行检测，所述方法包括：
[0008]将待测茶叶图像输入至茶叶病害检测模型，以得到所述待测茶叶图像的病害检测结果，所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应的至少一个叶片是否患有目标病害；
[0009]其中，所述茶叶病害检测模型的训练过程包括：
[0010]获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本茶叶图像以及所述样本茶叶图像的病害检测结果的标注数据，所述样本茶叶图像的病害检测结果用于指示所述样本茶叶图像对应的至少一个叶片是否患有所述目标病害；
[0011]针对所述训练集中的每个训练数据，执行以下处理：
[0012]将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据；
[0013]基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
[0014]检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述茶叶病害检测模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
[0015]该技术方案的有益效果在于：通过茶叶病害检测模型检测待测茶叶图像的步骤可以是，将待测茶叶图像输入茶叶病害检测模型以获取对应的检测结果。其中，训练过程可以包括：首先获取训练集，所述训练集包括多个训练数据，样本茶叶图像的病害检测结果用于指示所述样本茶叶图像对应的至少一个叶片是否患有所述目标病害。可以直观高效地显示出样本茶叶图像对应的至少一个叶片是否患有所述目标病害，智能化程度高。可以将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据。通过训练获取茶叶病害检测模型，并进行检测。该方法基于计算机视觉技术，利用深度学习模型，可以更好地拟合数据和实际情况。深度学习模型具有强大的拟合能力，可以逼近复杂的函数，达到无穷维，进一步提升测试的精度。所述方法克服了手工提取茶叶图像特征的缺陷，识别精度显著提高，其与农业信息感知的结合为茶叶病害检测拓展了全新的研究视角。还可以利用该茶叶病害检测模型对待测茶叶进行复检，并对该茶叶病害检测模型进行更新和调整，有利于全局性跟进茶叶的患病周期、患病程度和患病位置。有助于依据茶叶病害检测模型的检测结果，针对茶树不同位置的不同的病害状况，制定周密的治疗方案。
[0016]在一些可选的实施方式中，所述获取训练集，包括：
[0017]对所述样本茶叶图像执行数据增强处理，以获取所述样本茶叶图像对应的至少一个增强图像；
[0018]利用所述样本茶叶图像及其增强图像制作得到所述训练集。
[0019]该技术方案的有益效果在于：对所述样本茶叶图像执行数据增强处理，利用计算机视觉的方法，让有限的图像数据产生更多的图像数据，增加训练样本的数量以及多样性，提升茶叶病害检测模型鲁棒性和泛化能力。数据增强处理是数字图像处理的一个重要分支，鉴于场景条件的影响导致图像拍摄的视觉效果不佳的情况，对所述图像进行数据增强可以改善图像所表达的视觉效果，比如突出图像中目标物体的某些特点、从数字图像中提取目标物的特征参数等等，都有利于对图像中目标的识别、跟踪和理解。数据增强处理主要内容是突出图像中感兴趣的部分，减弱或去除不需要或不重要的信息，使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合人或机器进行分析处理的图像，可以达到减少光线不均、颜色失真等造成的图像退化现象并增强彩色图像的信息表达效果。若不采用数据增强来处理茶叶图像，则会出现由于采集的图像像素低、颜色失真、图像数量不足等问题所导致的检测效果差的情况。对所述图像进行数据增强的操作还可以包括对图像进行扩增，例如可以是对图像进行翻转，平移，旋转，镜像，Mosaic(即马赛克)操作等，数据扩增是对数据进行扩充的方法的总称。数据扩增可以增加训练集的样本，可以有效缓解模型过拟合的情况，也可以给模型带来的更强的泛化能力，使得训练数据尽可能的接近测试数据，从而提高预测精度，还可以使网络学习到更鲁棒性的特征。数据增强可以突出图像中目标物体的某些特点、从数字图像中提取目标物的特征参数等，这些都有利于对图
像中目标的识别、跟踪和理解。数据增强处理主要内容是突出图像中感兴趣的部分，减弱或去除不需要的信息。这样使有用信息得到加强，从而得到一种更加实用的图像或者转换成一种更适合机器进行分析处理的图像。对图片进行随机缩放，再以随机分布的方式进行拼接，丰富了图像数据集，让网络的鲁棒性更好，并可以减少GPU的损耗。
[0020]在一些可选的实施方式中，所述获取所述样本茶叶图像的过程包括：
[0021]利用装载于无人机的遥感设备对茶叶种植区的茶树进行图像采集，以得到多个所述样本茶叶图像。
[0022]该技术方案的有益效果在于：利用无人机装配先进光学传感器获取遥感图像可以适应不同的地形、天气条件，节省大量经济成本。利用装载于无人机的遥感设备采集图像，可以以无人机为空中平台，以遥感传感器(即遥感设备)获取信息，并用计算机对图像信息进行处理，并按照一定精度要求制作成图像。其中，遥感传感器是根据不同类型的遥感任务，使用相应的机载遥感设备，如高分辨本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种茶叶病害的检测方法，其特征在于，用于对茶叶进行检测，所述方法包括：将待测茶叶图像输入至茶叶病害检测模型，以得到所述待测茶叶图像的病害检测结果，所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应的至少一个叶片是否患有目标病害；其中，所述茶叶病害检测模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本茶叶图像以及所述样本茶叶图像的病害检测结果的标注数据，所述样本茶叶图像的病害检测结果用于指示所述样本茶叶图像对应的至少一个叶片是否患有所述目标病害；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据；基于所述样本茶叶图像的病害检测结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述茶叶病害检测模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。2.根据权利要求1所述的茶叶病害的检测方法，其特征在于，所述获取训练集，包括：对所述样本茶叶图像执行数据增强处理，以获取所述样本茶叶图像对应的至少一个增强图像；利用所述样本茶叶图像及其增强图像制作得到所述训练集。3.根据权利要求2所述的茶叶病害的检测方法，其特征在于，获取所述样本茶叶图像的过程包括：利用装载于无人机的遥感设备对茶叶种植区的茶树进行图像采集，以得到多个所述样本茶叶图像。4.根据权利要求2所述的茶叶病害的检测方法，其特征在于，所述对所述样本茶叶图像执行数据增强处理，包括：基于预设尺寸对所述样本茶叶图像进行裁剪，以获取规格图像；利用超分辨率网络对所述规格图像进行超分辨率重建，以获取超分辨率图像；对所述超分辨率图像进行数据增强，以得到至少一个所述增强图像。5.根据权利要求1所述的茶叶病害的检测方法，其特征在于，所述深度学习模型包括BackBone单元、Neck单元和Head单元，所述BackBone单元添加有RFB模块，所述Neck单元添加有注意力模块；所述将所述训练数据中的样本茶叶图像输入预设的深度学习模型，以得到所述样本茶叶图像的病害检测结果的预测数据，包括：利用所述BackBone单元对所述样本茶叶图像进行特征提取以获取特征信息，所述特征信息包括：所述样本茶叶图像所对应的低层空间特征和高层语义特征；其中，所述RFB模块用于部分低层空间特征和部分高层语义特征的提取过程；利用所述BackBone单元向所述目标检测网络的Neck单元输入所述低层空间特征和所述高层语义特征；利用所述Neck单元对所述低层空间特征和...
【专利技术属性】
技术研发人员：鲍文霞，朱自强，胡根生，王年，汪振宇，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。