一种基于超分和检测网络的茶叶病害无人机遥感监测方法技术

本发明专利技术涉及一种基于超分和检测网络的茶叶病害无人机遥感监测方法，包括如下步骤：数据获取：首先获取低空拍摄的茶叶图像，无人机飞行高度为2m至4m，作为网络的训练集；数据处理：利用LabelImg软件，对裁剪后的低空拍摄图像进行标注；再将低空拍摄的图像按8:2的比例划分为网络的训练集和验证集；网络训练：先训练超分网络模型，包括依次训练PSNR模型、训练GAN模型；再训练检测网络模型；超分与检测：无人机飞行高度为12m，获取高空拍摄的无人机茶叶图像送入训练好的超分网络中进行超分，恢复细节信息，然后将超分后的图像裁剪后再送入训练好的检测网络中进行茶叶病害检测。本发明专利技术能够节约无人机的飞行成本和时间，帮助茶农实时检测茶园中茶叶的病害。检测茶园中茶叶的病害。检测茶园中茶叶的病害。

【技术实现步骤摘要】
一种基于超分和检测网络的茶叶病害无人机遥感监测方法


[0001]本专利技术涉及图像处理
，特别是涉及一种基于超分和检测网络的茶叶病害无人机遥感监测方法。

技术介绍

[0002]随着成像技术和图像处理技术的发展，农作物病害的检测方法可以大致分为传统机器学习方法和卷积神经网络方法两个方向。其中传统机器学习方法大都需要人工设计合适的特征，而传统手工特征的特征表示能力不足，很难充分的提取农作物病害图像的判别性特征信息。此外传统农作物病害识别机器学习模型鲁棒性差，不适用于复杂背景下的高空大面积农作物小目标病害检测。
[0003]相比传统机器学习方法，卷积神经网络方法可以自动提取特征用于农作物病害识别，具有较高的特征描述能力和模型泛化能力，能够大大减少人工干预的成本。从数据角度来说，卷积网络需要大量的数据进行训练，对数据的质量和数量要求较高。对于农业病害检测应用而言，数据的来源有相机或手机拍摄和无人机拍摄。数据获取和制作需要大量的人力资源，用相机和手机拍摄虽然能获取分辨率较高的图像，但是拍摄过程繁琐，而且容易出现不聚焦的现象。用无人机获取图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，包括如下步骤：数据获取：首先获取低空拍摄的茶叶图像，无人机飞行高度为2m至4m；然后获取高空拍摄的茶叶图像，无人机飞行高度为12m左右，所有茶叶图像的分辨率均为8000*6000；数据处理：首先，将低空拍摄的图像裁剪为100张分辨率为800*600的图像；其次，利用LabelImg软件，对裁剪后的低空拍摄的图像进行标注；再将低空拍摄的图像按8:2的比例划分为网络的训练集和验证集；网络训练：先训练超分网络模型，包括依次训练PSNR模型、训练GAN模型；再训练检测网络模型；超分与检测：将高空拍摄的无人机茶叶图像送入训练好的超分网络中进行超分，恢复细节信息，然后将超分后的图像裁剪后再送入训练好的检测网络中进行茶叶病害检测。2.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述超分网络模型为Real
‑
ESRGAN网络模型，Real
‑
ESRGAN网络模型由生成器和判别器组成，所述生成器为稠密残差结构块堆叠而成，所述判别器为带正则化项的U
‑
Net网络。3.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，训练超分网络模型之前还包括：构建网络数据集，具体方法包括：将准备好的低空拍摄的茶叶数据集进行两次退化模糊处理，第一次退化处理包括高斯模糊、下采样、加噪和JPEG压缩，第二次退化处理包括高斯模糊、下采样和加噪。4.根据权利要求1或3所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，训练超分网络模型的具体步骤包括：根据最小绝对值误差训练以PSPN为导向的网络，得到一个最佳生成器模型；利用得到的生成器模型对网络进行参数初始化，再结合判别器网络对超分网络进行总体训练，训练得到的网络模型为本文超分网络的最终模型。5.根据权利要求1所述的一种基于超分和检测网络的茶叶病害无人机遥感监测方法，其特征在于，所述检测网络模型以yolov5s为基线网络进行改进，用ShuffleNetV2残差块级联作为网络的主干部分，用深度可分离卷积替换yolov5s网络的颈干部分中的卷积部分，采用SIoU损失函数替换原始CIoU损失函数。6.根据权利要...

【专利技术属性】
技术研发人员：胡根生，叶若含，万名烛，张艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：