基于神经网络的植物病害智能诊断方法及系统技术方案

本发明专利技术涉及基于神经网络的植物病害智能诊断方法及系统，其获取植物叶片图像，所述植物叶片图像包括待识别的植物叶片图像和健康叶片图像；构建对抗神经网络，利用所述健康叶片图像对所述对抗神经网络进行训练，得到训练好的对抗神经网络；将所述待识别的植物叶片图像输入训练好的对抗神经网络，得到重构色彩图像；将重构色彩图像与所述待识别的植物叶片图像进行色差计算，得到重构色差图像；将重构色差图像输入构建的卷积神经网络，输出分类结果；根据所述分类结果，获取植物病害诊断结果。即本发明专利技术的方案能够通过获取重构色差图像，利用该重构色差图像进行植物病害诊断，可以在像素级上可视化病害区域，降低计算量。降低计算量。降低计算量。

【技术实现步骤摘要】
基于神经网络的植物病害智能诊断方法及系统


[0001]本专利技术涉及智慧农业检测
，具体涉及基于神经网络的植物病害智能诊断方法及系统。

技术介绍

[0002]植物在我国的各大自然灾害中，农作物病虫害占据着非常重要的地位，因此，需要及时对其进行预测和监控，以防止重大灾害的发生。
[0003]传统的机器学习方法，通常经过病斑提取、边缘特征提取等步骤，最后利用支持向量机分类。然而，传统机器学习方法对图像的预处理步骤繁多且复杂，并且只能应用于个别植物的少量病虫害检测，可迁移性差，准确度低。

技术实现思路

[0004]本专利技术的目的是提供了基于神经网络的植物病害智能诊断方法及系统，用于解决现有的检测技术存在通用性差，识别方法复杂，且不同植物之间识别率不稳定的问题。
[0005]为了实现上述目的，本专利技术提供的基于神经网络的植物病害智能诊断方法的技术方案，包括如下步骤：获取植物叶片图像，所述植物叶片图像包括待识别的植物叶片图像和健康叶片图像；构建对抗神经网络，利用所述健康叶片图像对所述对抗神经网络进行训练，得到训练好的对抗神经网络；将所述待识别的植物叶片图像输入训练好的对抗神经网络，得到重构色彩图像；将重构色彩图像与所述待识别的植物叶片图像进行色差计算，得到重构色差图像；将重构色差图像输入构建的卷积神经网络，输出分类结果；根据所述分类结果，获取植物病害诊断结果。
[0006]进一步地，还包括对所述植物叶片图像进行背景去除处理的步骤。
[0007]进一步地，所述对抗神经网络包括两个神经网络，一个为生成器，一个为鉴别器；其中生成器的损失函数为：其中，L
SSIM
为SSIM损失函数；L
Color
颜色损失函数；，其中n表示图像的像素数量，w
i
表示第i个像素的权重，P
i
为重构色彩图像中的第i个像素的R、G、B颜色空间的灰度值，T
i
为待识别的植物叶片图像第i个像素的R、G、B颜色空间的灰度值。
[0008]进一步地，权重w
i
的获取方法为：
其中，为去除背景的健康叶片图像中的任一像素值，C1为叶片主颜色的R、G、B三个通道的值，a取值范围为(0,1)，b取值3。
[0009]进一步地，所述重构色差图像为：其中，P_RGB为重构色彩图像，T_RGB为待识别的植物叶片图像。
[0010]进一步地，所述卷积神经网络包括特征提取编码器和全连接网络；所述特征提取编码器包括若干个卷积层和注意力模型；所述注意力模型为：其中DiffC为重构色差图像的像素的色差值；Cmax为重构色差图像中的最大色差值。
[0011]本专利技术还提供了基于神经网络的植物病害智能诊断系统，包括处理器和存储器，所述处理器用于执行所述存储器存储的上述的基于神经网络的植物病害智能诊断系统的技术方案。
[0012]本专利技术与现有技术相比，其有益效果为：本专利技术的方法无需对叶片图像进行全部标注，其通过颜色重构，也即通过获取的重构色差图像，在像素级上进行病害区域检测；同时，通过对颜色重构损失增加权值，可以增加对叶片图像中接近叶片主颜色像素重构误差的梯度，提高网络对叶片主颜色重构的注意力，使得叶片图像的颜色更加完整的重建。
[0013]本专利技术的方法还基于重构色差图像对卷积神经网络的特征图进行注意力添加，使得网络训练更具有针对性，鲁棒性更强，避免因叶片受到病害的位置复杂、变化大而导致分类精度差的问题。
附图说明
[0014]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015]图1为本专利技术的基于神经网络的植物病害智能诊断方法实施例的方法流程图；图2为对图像进行预处理去除背景的示意图；图3为图像的重构色差热力图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术实施例保护
的范围。
[0017]本专利技术提供了基于神经网络的植物病害智能诊断方法的一种具体实施方式，该方法实施例针对农作物的植物叶片出现病害的检测，诊断出植物病害。
[0018]具体的，如图1所示，该基于神经网络的植物病害智能诊断方法，包括以下步骤：步骤1，获取植物叶片图像，所述植物叶片图像包括待识别的植物叶片图像和健康叶片图像；本实施例中，还包括对获取的植物叶片图像进行图像预处理，该图像预处理包括图像增强、图像去噪等；由于图像增强和图像去噪为现有技术，这里不再过多赘述。
[0019]进一步地，对预处理后的图像进行背景去除，本实施例中优选的采用分水岭算法，如图2所示，通过将亮像素视为高海拔，将暗像素视为低海拔来发现图像中的分水岭，得到二值图像，然后利用八邻域原理分割相邻区域；最后通过形态学处理去除小像素组，改进掩模；最终将处理后的二值图像与原图像相乘，保留叶片区域，得到叶片区域可见光图像，通过此步骤可以减少背景的干扰，提高叶片病害诊断的精度，具体细节不再赘述。
[0020]本实施例中获取的植物叶片图像，包括待识别的植物叶片图像和健康叶片图像；其中待识别的植物叶片图像是利用相机拍摄大量的植物叶片图像；其中的健康叶片图像可以是预先获取的植物叶片图像，也可以是直接利用历史存储的植物叶片数据。
[0021]步骤2，构建对抗神经网络，利用所述健康叶片图像对所述对抗神经网络进行训练，得到训练好的对抗神经网络；将所述待识别的植物叶片图像输入训练好的对抗神经网络，得到重构色彩图像；本实施例中，将健康叶片图像转换为灰度图像，进行对抗神经网络的训练；其中对抗神经网络的训练过程如下：构建对抗神经网络；其中对抗神经网络包含一个生成器，一个鉴别器。
[0022]生成器为编码器
‑
解码器结构，可采用Unet等网络模型，编码器的输入为叶片区域灰度图像，输出为特征图，然后特征图输入到解码器中，经过拟合和上采样，输出为叶片区域可见光图像，也即重构色彩图像。该生成器是通过学习训练集数据的特征，在鉴别器的指导下，重建出符合训练数据的真实分布的颜色，从而生成具有训练集特征的相似数据。而鉴别器则负责区分输入的数据是真实的还是生成器生成的假数据，并反馈给生成器。
[0023]其中，两个神经网络交替训练，能力同步提高，直到生成网络生成的数据能够以假乱真，并与判别网络的能力达到一定均衡。
[0024]其中的生成器的损失函数为：其中，L
SSIM
为SSIM（结构相似）损失函数；L
Color
颜色损失函数。
[0025]对于L
SSIM...

【技术保护点】

【技术特征摘要】
1.于神经网络的植物病害智能诊断方法，其特征在于，包括如下步骤：获取植物叶片图像，所述植物叶片图像包括待识别的植物叶片图像和健康叶片图像；构建对抗神经网络，利用所述健康叶片图像对所述对抗神经网络进行训练，得到训练好的对抗神经网络；将所述待识别的植物叶片图像输入训练好的对抗神经网络，得到重构色彩图像；将重构色彩图像与所述待识别的植物叶片图像进行色差计算，得到重构色差图像；将重构色差图像输入构建的卷积神经网络，输出分类结果；根据所述分类结果，获取植物病害诊断结果。2.根据权利要求1所述的基于神经网络的植物病害智能诊断方法，其特征在于，还包括对所述植物叶片图像进行背景去除处理的步骤。3.根据权利要求1所述的基于神经网络的植物病害智能诊断方法，其特征在于，所述对抗神经网络包括生成器和鉴别器；其中生成器的损失函数为：其中，L
SSIM
为SSIM损失函数；L
Color
颜色损失函数；，其中n表示图像的像素数量，w
i
表示第i个像素的权重，P
i
为重构色彩图像中的第i个像素的R、G、B颜色空间的灰度值，T
...

【专利技术属性】
技术研发人员：郭宽，曹冬梅，杜朗，
申请(专利权)人：江苏景瑞农业科技发展有限公司，
类型：发明
国别省市：