基于深度学习的苹果叶片病害喷药辅助方法、系统及设备技术方案

本申请实施例提供的一种基于深度学习的苹果叶片病害喷药辅助方法、系统及设备，包括：将采集的苹果树叶片图像信息输入预先训练的苹果叶片病害检测网络；所述苹果叶片病害检测网络对所述苹果树叶片图像信息中每个叶片进行逐一确定病害类别和叶片病害区域，所述病害类别用于确定叶片病害类型；根据所述叶片病害类型和所述叶片病害区域确定叶片的喷药类型和用量；对不同叶片逐一进行确定实现用药比例的动态调整，用于辅助果叶片病害喷药。对苹果树不同叶片的叶片病害类型和所述叶片病害区域进行确定，实现了不同叶片施药种类和施药量的确定，进而可以结合不同叶片的情况对用药比例因子进行动态调整，进而实现了靶向施药，提高智能化喷药水平。高智能化喷药水平。高智能化喷药水平。

【技术实现步骤摘要】
基于深度学习的苹果叶片病害喷药辅助方法、系统及设备


[0001]本申请涉及农业病虫害防治
，具体地涉及一种基于深度学习的苹果叶片病害喷药辅助方法、系统及设备。

技术介绍

[0002]苹果是中国主要种植的水果，种植面积广泛、品种多样，保证苹果质量是提高果农收益的主要手段。在果园管理中要合理进行水肥药管理，以保证苹果树良好的营养供给及不受病害的影响。但是目前对于苹果叶片病害的判断多以果农肉眼观察判断病害情况决定施药种类，存在一定的主观性和盲目性，因此需要调高苹果叶片病害识别的科学性，为苹果叶片病害喷药提供良好的依据，从而保障叶片病害精准靶向施药。
[0003]随着国家农业强国的建设，对果园智能化水平的要求越来越高，新的技术不断应用到果园管理中，比如在果园内布设监测系统，对果园内的苹果叶片进行局部采样，从而确定出具体的病害和施药种类，然后对整个果园进行大面积施药。上述方法虽然可以实现快速确定病虫害进行施药，但是只是采样的局部，无法保证其他区域的果树与采样处的病虫害一致。
[0004]因此如何实现对不同苹果叶片病害实现精确的靶向施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的苹果叶片病害喷药辅助方法，其特征在于，包括：将采集的苹果树叶片图像信息输入预先训练的苹果叶片病害检测网络；所述苹果叶片病害检测网络对所述苹果树叶片图像信息中每个叶片进行逐一确定病害类别和叶片病害区域，所述病害类别用于确定叶片病害类型；根据所述叶片病害类型和所述叶片病害区域确定叶片的喷药类型和用量；对不同叶片逐一进行确定实现用药比例的动态调整，用于辅助果叶片病害喷药。2.根据权利要求1所述的基于深度学习的苹果叶片病害喷药辅助方法，其特征在于，所述苹果叶片病害检测网络采用MobileNet V3
‑
small为基础网络进行网络模型改进，以更好适应苹果叶片病害的识别，改进包括：对模型的模型的计算量进行压缩，对注意力机制SE模块的进行局部跨通道信息交互加快信息的获取速度，将改进后的SE模块添加到网络bneck层的最后一层形成混合域的轻量级注意力机制；最后对训练好的模型进行结构化剪枝。3.根据权利要求2所述的基于深度学习的苹果叶片病害喷药辅助方法，其特征在于，所述对模型的模型的计算量进行压缩，包括：对模型的bneck层进行了改进，删除了占用空间大的卷5*5卷积核四层，对每层的膨胀系数重新设计，最终bneck层保留了6层，第一层为3*3的卷积核，膨胀大小为32倍，第二层为3*3的卷积核，膨胀大小为64倍，第三层为3*3的卷积核，膨胀大小为120倍，第四层为3*3的卷积核，膨胀大小为240倍，第5层为5*5的卷积核，膨胀大小为288倍，第6层为5*5的卷积核，膨胀大小为288倍。4.根据权利要求3所述的基于深度学习的苹果叶片病害喷药辅助方法，其特征在于，所述对注意力机制SE模块的进行局部跨通道信息交互加快信息的获取速度，包括：设一个卷积块的输出为x∈R
W
×
H
×
C
，SE模块的通道注意力计算公式如下：其中，X
ij
为全局平均池化函数，σ为Sigmoid函数，W、H和C为宽度、高度和通道尺寸；改进后的SE模块通道注意力给定不降维的聚合特征y∈R
c
,计算公式为：ω＝σ(W
y
)式中，ω为一个C
×
C的参数举证；计算yi的权重时只需考虑yi和它的k个邻居之间的相互作用，计算公式为：其中，表示yi的k个相邻信道的集合利用上式所示的公式可以得到所有通道共享相同的学习参数计算公式为：所有通道通过特征进行相互学习的学习参数为：ω＝σ(C
1D3
(y))
其中，C
1D3
表示卷积核大小为3的一维卷积。5.根据权利要求4所述的基于深度学习的苹果叶...

【专利技术属性】
技术研发人员：宋月鹏，高昂，任龙龙，宫庆福，张悦，吴昆，韩翔，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：