【技术实现步骤摘要】
农作物病虫害的智能监测方法及其系统
[0001]本申请涉及智能监测领域,且更为具体地,涉及一种农作物病虫害的智能监测方法及其系统。
技术介绍
[0002]实地观察是一种重要而有效的农作物病虫害监测方法,它指的是农民和专业人员通过实地观察识别受到病虫害影响的农作物部位、程度和类型,但是这种监测方法也存在不足之处,比如实地观察中的人员的主观判断和经验水平会产生不同程度的误差,并且可能会感知相同的事物但描述和记录的细节不一样,实地观察也只能捕捉到人眼所能看到的范围,更微观和小尺度的变化人眼难以察觉。
[0003]因此,期待一种优化的农作物病虫害的智能监测方案。
技术实现思路
[0004]为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种农作物病虫害的智能监测方法及其系统,其通过对待检测农作物的叶片纹理进行特征提取从而来识别农作物感染病虫害的类型。这样,有利于提高了病虫害检测的准确性,减轻了人力的工作负担,还提高了农作物病虫害防治的效率。
[0005]根据本申请的一个方面,提供了一种农作物病虫害的智能监测方法,其包括:
[0006]获取待检测农作物叶片的检测图像;
[0007]将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像;
[0008]将所述像素增强检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图;
[0009]将所述各个通道的LBP纹理特征直方图沿通道维度进行聚合以得到多通道LBP纹理特征直 ...
【技术保护点】
【技术特征摘要】
1.一种农作物病虫害的智能监测方法,其特征在于,包括:获取待检测农作物叶片的检测图像;将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像;将所述像素增强检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图;将所述各个通道的LBP纹理特征直方图沿通道维度进行聚合以得到多通道LBP纹理特征直方图;将所述多通道LBP纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图;将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测农作物感染的病虫害类型;以及基于所述分类结果,对所述待检测农作物采取对应的病虫害防治措施。2.根据权利要求1所述的农作物病虫害的智能监测方法,其特征在于,将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像,包括:将所述检测图像输入训练完成的所述基于对抗生成网络的图像增强器的生成器以得到所述像素增强检测图像。3.根据权利要求2所述的农作物病虫害的智能监测方法,其特征在于,将所述多通道LBP纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图,包括:将所述多通道LBP纹理特征直方图通过所述卷积神经网络模型的浅层以得到浅层特征图;将所述多通道LBP纹理特征直方图通过所述卷积神经网络模型的深层以得到深层特征图;以及使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图。4.根据权利要求3所述的农作物病虫害的智能监测方法,其特征在于,使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图,包括:使用所述深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述分类特征图。5.根据权利要求4所述的农作物病虫害的智能监测方法,其特征在于,所述卷积神经网络模型的浅层为4
‑
6层,所述卷积神经网络模型的深层与所述卷积神经网络模型的浅层之间的比值大于等于5。6.根据权利要求5所述的农作物病虫害的智能监测方法,其特征在于,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测农作物感染的病虫害类型,包括:使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果;其中,所述分类公式为:O=softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}其中O为所述分类结果,Project(F)表示将所述分类特征图投影为向量,W1至W
n
为各层全连接层的权重矩阵,B1至B
n
表示各层全连接层的偏置向量,softmax为归一化指数函数。
7.根据权利要求6所述的...
【专利技术属性】
技术研发人员:宋德功,谭光平,徐波,
申请(专利权)人:安徽星煌数字科技有限公司,
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。