马铃薯疮痂病识别方法技术

本发明专利技术马铃薯疮痂病识别领域，具体是一种基于语义分割的马铃薯疮痂病识别系统，本发明专利技术目的在于准确分割马铃薯疮痂病斑，精准估计疮痂覆盖率，提出了一种基于多尺度特征融合的马铃薯疮痂病分割模型，命名为

【技术实现步骤摘要】
马铃薯疮痂病识别方法


[0001]本专利技术涉及一种马铃薯栽培的病例识别方法，具体地说，涉及一种马铃薯疮痂病识别方法
。

技术介绍

[0002]马铃薯作为世界第四大粮食作物现被广泛种植
。
我国作为全球最大的马铃薯生产国，马铃薯产业对于确保粮食安全和农业发展方式转变至关重要
。
马铃薯疮痂病是一种由多种链霉菌引起的土传病害，近年来在马铃薯种植区广泛存在，随着我国马铃薯种植规模的扩大，疮痂病的病原菌种类逐渐增多，疮痂病发病趋势不断加重，已成为制约我国马铃薯产业和经济价值提升的主要问题
。
目前，我国对马铃薯疮痂病病斑覆盖率计算和病害程度的评估主要依赖人工目测与估算，精确度低，影响了马铃薯疮痂病防治研究的进展
。
此外，企业生产中商品薯外观的无损检测也大多依赖人工目测，检测效率低
、
成本高，影响了经济效益
。
因此，高效
、
准确地分割马铃薯疮痂病斑，精准估计其覆盖率，对于马铃薯疮痂病病情准确评价
、
抗病种质筛选
、
疮痂病薯的分选以及推动马铃薯产业发展等具有重要意义
。
[0003]国内外部分学者对马铃薯块茎的病害检测开展了研究
。
张菁将遗传蛙跳算法应用至
PCNN
神经网络的参数调节中，提出了一种基于遗传蛙跳算法的图像分割模型，用于实现马铃薯菌核病
、
灰霉病
、
根腐线虫病的分割<br/>。
然而该方法的分割结果为二值图像，在光照条件和马铃薯病斑颜色变化较大时，则会导致阈值选择困难，从而影响分割的准确性
。Oppenheim D
等采集了疮痂病
、
黑皮病
、
银屑病等多种马铃薯病害数据，利用预训练的卷积神经网络进行分类，实现了马铃薯块茎图像中的病害检测，可区分不同病害，但无法评估病害程度
。
祁雁楠提出了马铃薯斑迹定位方法和马铃薯疮痂回归识别方法，通过归一化处理得到了疮痂斑迹的参数，并建立了马铃薯疮痂
BP
神经网络识别模型
。
尽管该方法能够检测出马铃薯疮痂缺陷，但仅限于病斑目标的检测，未实现马铃薯疮痂病斑覆盖率量化以及马铃薯疮痂病病情程度的评估
。
[0004]针对以上问题，本文提出了本技术方案
。

技术实现思路

[0005]本专利技术在
U
‑
Net
模型的基础上，使用
VGG16
作为主干网络，实现了对马铃薯疮痂病斑的识别
。
并在上述基础上进一步提出了深度特征增强模块和多尺度特征融合模块，在解码器特征向上融合的过程中通过叠加一系列卷积和批量归一化操作，对多层次特征进行另外的逐层向上融合
。
[0006]本专利技术的技术方案是这样的：其包括下列步骤：
[0007]S1
：马铃薯疮痂病数据采集：采集每种疮痂病的图像；
[0008]S2
：数据处理与数据集构建：对采集到的马铃薯疮痂病图像集进行预处理，采用
Labelme
标注工具标注马铃薯疮痂病图像，标注马铃薯和疮痂病斑两类目标，再将标注图从
.json
格式转换为
.png
格式保存，最后将标注的数据按照
7∶2∶1
比例划分为训练集
、
验证
集
、
测试集；
[0009]S3
：构建用于马铃薯疮痂病分割模型；
[0010]S3
‑1：将
U
‑
Net
编码器部分的主干网络替换为
VGG16
；
[0011]S4
：通过训练集训练马铃薯疮痂病识别模型；
[0012]S4
‑1：为了验证马铃薯疮痂病识别的性能，训练实验中采用了
MPA、MIoU、IoU、Precision
等指标进行评估
。
计算公式如下：
[0013][0014][0015][0016][0017]其中
TN
表示模型正确地将负类别样本分类为负类别，
TP
表示模型正确地将正类别样本分类为正类别，
FN
表示模型错误地将正类别样本分类为负类别，
FP
表示模型错误地将负类别样本分类为正类别，
k
为类别数；
[0018]S4
‑2：进行训练；
[0019]S5
：将
S4
步骤训练后的马铃薯疮痂病识别模型部署到移动端
APP
中，通过移动端
APP
拍照识别马铃薯疮痂病，并估算疮痂覆盖率
。
[0020]进一步的，每类疮痂病的图像至少
200
张
。
[0021]进一步的，预处理包括，通过随机旋转
、
镜像翻转
、
调整亮度
、
对比度和饱和度等方法进行数据增强，通过调整图像尺寸统一输入特征图像的分辨率
。
[0022]进一步的，步骤
S1
的疮痂病设置为三个类别，分别为凸起
、
凹陷
、
扁平三种疮痂病变
。
[0023]进一步的，通过叠加卷积和最大池化来进行特征提取
。
其中最大池化层输出特征大小的计算公式如下：
[0024][0025]式中
In
size
代表输入特征图大小，
Pool
size
代表池化窗口大小，
Stride
代表步幅；
[0026]最大池化后各层卷积层输出大小的计算公式为：
[0027][0028]式中
In
size
表示输入特征图大小，
F
size
代表卷积核大小，
P
代表填充数量，
Stride
代表步幅；
[0029]在解码器的特征提取部分添加深度特征提取模块，通过引入不同卷积核大小的叠加操作
、
加入批归一化层以生成更加丰富
、
稳定的特征表达，其中，批归一化的计算方式可表示为：
[0030][0031]式中，
x
i
为输入的原始特征数据，
μ
和
σ2为批次内样本的均值及方差，
∈
为趋于0的正数，
γ
为缩放因子，
β
为平移因子
。
[0032]进一步的，在解码器的特征向上融合部分加入多尺度特征融合模块，通过对低尺寸特征图进行转置卷积操作
、
对高尺寸特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种马铃薯疮痂病识别方法，其特征在于，其包括下列步骤：
S1
：马铃薯疮痂病数据采集：采集每种疮痂病的图像；
S2
：数据处理与数据集构建：对采集到的马铃薯疮痂病图像集进行预处理，采用
Labelme
标注工具标注马铃薯疮痂病图像，标注马铃薯和疮痂病斑两类目标，再将标注图从
.json
格式转换为
.png
格式保存，最后将标注的数据按照
7∶2∶1
比例划分为训练集
、
验证集
、
测试集；
S3
：构建用于马铃薯疮痂病分割模型：将
U
‑
Net
编码器部分的主干网络设置为
VGG16
；
S4
：通过训练集训练马铃薯疮痂病识别模型；
S4
‑1：为了验证马铃薯疮痂病识别的性能，训练实验中采用了
MPA、MIoU、IoU、Precision
等指标进行评估，计算公式如下：等指标进行评估，计算公式如下：等指标进行评估，计算公式如下：等指标进行评估，计算公式如下：其中
TN
表示模型正确地将负类别样本分类为负类别，
TP
表示模型正确地将正类别样本分类为正类别，
FN
表示模型错误地将正类别样本分类为负类别，
FP
表示模型错误地将负类别样本分类为正类别，
k
为类别数；
S4
‑2：进行训练；
S5
：将
S4
步骤训练后的马铃薯疮痂病识别模型部署到移动端
APP
中，通过移动端
APP
拍照识别马铃薯疮痂病，并估算疮痂覆盖率
。2.
根据权利要求1所述的马铃薯疮痂病识别方法，其特征在于：每类疮痂病的图像至少
200
张
。3.
根据权利要求1所述的马铃薯疮痂病识别方法，其特征在于：预处理包括，通过随机旋转
、
镜像翻转
、
调整亮度
、
对比度和饱和度等方法进行数据增强，通过调整图像尺寸统
‑
输入特征图像的分辨率
。4.
根据权利要求1所述的马铃薯疮痂病识别方法，其特征在于：步骤
S1
的疮痂病设置为三个类别，分别为凸起
、
凹陷
、
扁平三种疮痂病变
。5.
根据权利要求1所述的马铃薯疮痂病识别方法，其特征在于：在解码器的特征提取部分添加深度特征提取模块，通过引入不同卷积核大小的叠加操作
、
加入批归一化层以生成更加丰富
、
稳定的特征表达，其中，...

【专利技术属性】
技术研发人员：吴秋兰，尚素雅，张峰，周波，赵恒，孙守鑫，高峥，史文宠，张家辉，王姝妹，宋鑫龙，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：