基于深度学习的水稻叶片病害识别方法技术

本发明专利技术公开了基于深度学习的水稻叶片病害识别方法，属于图像处理技术领域，方法包括：获取素材样本，基于所述素材样本设置对应的训练集，根据训练集和深度神经网络建立对应的病害识别模型；基于病害识别模型建立运行平台；所述运行平台用于接收各客户端上传的水稻图片，并对接收到的水稻图片进行分析，确定对应的病害种类，根据稻田对应的所有水稻图片分析结果输出对应的病害原因和应对措施；用户安装并应用对应的客户端；用户通过客户端编辑对应稻田信息，当稻田信息编写完成后进行水稻图片采集；将采集的水稻图片结合对应的稻田信息发送给运行平台，运行平台根据接收到的水稻图片输出对应识别的病害种类、病害原因和应对措施。施。施。

【技术实现步骤摘要】
基于深度学习的水稻叶片病害识别方法


[0001]本专利技术属于图像处理
，具体是基于深度学习的水稻叶片病害识别方法。

技术介绍

[0002]当前对叶片病斑识别主要有两种技术手段：其一是建立人工神经网络模型对单个叶片样本的照片或影像进行识别；另一种是利用支持向量机，通过颜色、纹理、形状等特征建立特征向量进行识别。但人工神经网络层数较少，特征提取能力不足；支持向量机依靠特定的几种特征进行分类，然而特定特征并非能够完全或较好的表示病斑特征信息，因此分类精度有限。而且两种方式都是在室内利用采集的有限的叶片样本做识别工作，没有将研究性工作转化到野外实地应用中。另一方面训练样本较少，大多通过一些简单的旋转缩放等图像处理方式来扩充样本量，模型泛化能力较差。

技术实现思路

[0003]为了解决上述方案存在的问题，本专利技术提供了基于深度学习的水稻叶片病害识别方法，以解决现有的水稻叶片病害识别问题。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]基于深度学习的水稻叶片病害识别方法，方法包括：
[0006]步骤S1：获取素材样本，基于所述素材样本设置对应的训练集，根据训练集和深度神经网络建立对应的病害识别模型；
[0007]进一步地，获取素材样本的方法包括：
[0008]设置目标检索式，基于所述目标检索式进行初始图片的实时检索，对检索到的初始图片进行去重和校核筛选，获得对应的合格图片；识别所述合格图片对应的合格图片特征，基于合格图片特征和预设的目标图像处理方式对合格图片进行实时图片处理，获得对应的扩充图片；根据获得的扩充图片对应病害种类和图片数量对合格图片特征进行实时更新；当合格图片特征达到训练要求时，停止检索，将现有的合格图片和扩充图片整合为素材样本。
[0009]进一步地，对合格图片进行实时图片处理的方法包括：
[0010]实时识别各病害种类对应的合格图片特征中合格图片数量以及扩充图片数量，计算各病害种类中扩充图片数量所占比重，标记为实时比重，当实时比重低于阈值X1时，对对应病害种类的合格图片进行相应的目标图像处理；当实时比重不低于阈值X1时，不对对应病害种类的合格图片进行相应的目标图像处理。
[0011]步骤S2：基于病害识别模型建立运行平台；所述运行平台用于接收各客户端上传的水稻图片，并对接收到的水稻图片进行分析，确定对应的病害种类，根据稻田对应的所有水稻图片分析结果输出对应的病害原因和应对措施；
[0012]进一步地，所述运行平台包括病害识别模块和综合分析模块；
[0013]所述病害识别模块用于对接收到的水稻图片进行病害识别，获得对应的病害种
类；
[0014]所述综合分析模块用于结合水稻图片信息和病害识别模块对应的病害识别记录进行稻田的综合分析，输出稻田的病害原因以及对应的应对措施。
[0015]进一步地，病害识别模块的工作方法包括：
[0016]获取接收到的水稻图片，将所述水稻图片输入到病害识别模型中进行病害识别，获得对应的病害种类。
[0017]进一步地，综合分析模块的工作方法包括：
[0018]识别水稻图片对应的稻田信息，根据病害识别模块对水稻图片的识别记录，生成所述水稻图片的病害特征，分析各病害特征对应的病害值，按照水稻图片的上传顺序和病害值生成对应的稻田病害特征，将各病害种类对应的稻田病害特征汇总为稻田特征集；通过预设的病害分析模型对获得的稻田特征集进行分析，输出对应的病害原因和应对措施。
[0019]进一步地，病害值的计算方法包括：
[0020]识别病害特征中的病害种类、病害数量和各病害面积，将病害面积标记为Mi，其中i＝1、2、
……
、n，n为病害数量；根据病害数量和病害种类匹配对应的调整系数c；设置面积初始值A0；根据病害值公式BT＝c
×
∑[exp(Mi
‑
A0)]计算对应的病害值BT。
[0021]进一步地，当病害数量为零时，病害值BT＝0。
[0022]步骤S3：用户安装并应用对应的客户端；
[0023]步骤S4：用户通过客户端编辑对应稻田信息，当稻田信息编写完成后进行水稻图片采集；
[0024]进一步地，进行水稻图片采集的方法包括：
[0025]通过客户端的摄像功能对需要进行病害识别的目标水稻进行拍摄，获得对应的第一拍摄图片；
[0026]基于预设的水稻轮廓识别模型对第一拍摄图片中的水稻轮廓进行识别，并将识别的水稻轮廓在第一拍摄图像中进行显示，获得第二拍摄图片；
[0027]用户在第二拍摄图片中确定对应的目标水稻轮廓，获得第三拍摄图片；
[0028]对第三拍摄图片中非目标水稻轮廓对应的区域进行处理，获得水稻图片。
[0029]步骤S5：将采集的水稻图片结合对应的稻田信息发送给运行平台，运行平台根据接收到的水稻图片输出对应识别的病害种类、病害原因和应对措施。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]通过在水稻图片中标记对应单株的目标水稻，使得识别的病害情况可以具体到对应的目标水稻上，真实的表现出单株水稻的病害情况，而不会受到其他水稻植株的影响；同时可以减少干扰因素，提高相应的病害识别正确率；并且通过进行单株水稻识别，实现与运行平台中的综合分析模块相互配合，快速了解单株水稻的病害特征，进而实现整体稻田的病害分析，确定对应的病害比例、组成等信息，输出对应的病害原因和应对措施，辅助农民用户进行水稻的种植，解决现有的环境检测限制，实现农民用户的简单操作即可了解稻田的实际病害情况。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0033]图1为本专利技术方法流程图；
[0034]图2为本专利技术素材样本的获取流程图；
[0035]图3为本专利技术综合分析模块的工作原理框图。
具体实施方式
[0036]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，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。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]如图1至图3所示，深度学习是当前新兴的图像识别手段，能够不依赖特定特征对目标进行识别，且可以通过调整参数、优化样本结构等手段提高模型的识别能力和效率。当前已广泛应用于行为检测，手写字体识别等方面，而在农业尤其是水稻病害识别方向还鲜有应用。本专利技术提供了基于深度学习的水稻叶片病害识别方法，利用目前较为先进的深度学习网络结构结合本专利技术提出的方法获取大量水稻叶片病害图片样本进行训练，建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的水稻叶片病害识别方法，其特征在于，方法包括：获取素材样本，基于所述素材样本设置对应的训练集，根据训练集和深度神经网络建立对应的病害识别模型；基于病害识别模型建立运行平台；所述运行平台用于接收各客户端上传的水稻图片，并对接收到的水稻图片进行分析，确定对应的病害种类，根据稻田对应的所有水稻图片分析结果输出对应的病害原因和应对措施；用户安装并应用对应的客户端；用户通过客户端编辑对应稻田信息，当稻田信息编写完成后进行水稻图片采集；将采集的水稻图片结合对应的稻田信息发送给运行平台，运行平台根据接收到的水稻图片输出对应识别的病害种类、病害原因和应对措施；获取素材样本的方法包括：设置目标检索式，基于所述目标检索式进行初始图片的实时检索，对检索到的初始图片进行去重和校核筛选，获得对应的合格图片；识别所述合格图片对应的合格图片特征，基于合格图片特征和预设的目标图像处理方式对合格图片进行实时图片处理，获得对应的扩充图片；根据获得的扩充图片对应病害种类和图片数量对合格图片特征进行实时更新；当合格图片特征达到训练要求时，停止检索，将现有的合格图片和扩充图片整合为素材样本。2.根据权利要求1所述的基于深度学习的水稻叶片病害识别方法，其特征在于，对合格图片进行实时图片处理的方法包括：实时识别各病害种类对应的合格图片特征中合格图片数量以及扩充图片数量，计算各病害种类中扩充图片数量所占比重，标记为实时比重；当实时比重低于阈值X1时，对对应病害种类的合格图片进行相应的目标图像处理；当实时比重不低于阈值X1时，不对对应病害种类的合格图片进行相应的目标图像处理。3.根据权利要求1所述的基于深度学习的水稻叶片病害识别方法，其特征在于，所述运行平台包括病害识别模块和综合分析模块；所述病害识别模块用于对接收到的水稻图片进行病害识别，获得对应的病害种类；所述综合分析模块用于结合水稻图片信息和病害识别模块对应的病害识别记录进行稻田的...

【专利技术属性】
技术研发人员：徐志灵，包富生，代庆生，黄强，周建，刘德，
申请(专利权)人：安徽荃银超大种业有限公司，
类型：发明
国别省市：