一种农作物病害图像的识别方法技术

本发明专利技术涉及图像处理技术领域，解决了现有技术无法对农作物叶片上所出现早期轻微病害进行识别的技术问题，尤其涉及一种农作物病害图像的识别方法，该方法包括以下步骤：

【技术实现步骤摘要】
一种农作物病害图像的识别方法


[0001]本专利技术涉及图像处理
，尤其涉及一种农作物病害图像的识别方法
。

技术介绍

[0002]伴随基于农业互联网的数字图像处理与识别技术的普及，目前通过计算机即可完成对于农作物叶片所出现的病害进行识别，而在农作物的叶部在病害发生后，叶片表面会形成病斑，对于病斑的识别可通过颜色差异快速识别，然而在病害出现的早期，仅通过视觉相机等设备所拍摄的图像是无法表现出来的，因此对于这种病害早期所表现出的轻微症状而言，以病害叶片颜色特征作为判断依据是无法作出相应病害识别的
。
[0003]并且在病害叶片颜色特征的分割以及提取中，对于早期轻微的病害症状而言，其病害识别效果并不显著，往往会存在难以有效识别的状况，而在颜色特征受限的前提下，目前的病害识别模型往往需要在病斑出现在叶片上后才能够进行识别，然而在病斑出现后又错过了最佳防治时间，不仅导致农药用量以及成本的增加，而且不能够及时发现病害并有效控制病害的蔓延
。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种农作物病害图像的识别方法，解决了现有技术无法对农作物叶片上所出现早期轻微病害进行识别的技术问题
。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：一种农作物病害图像的识别方法，该方法包括以下步骤：
S1、
获取在光源作用下的农作物叶片的原始图像；
S2、
将原始图像分割生成目标和背景相分离的二值图像；
>S3、
判断二值图像中目标所覆盖的区域中任一像素点的灰度值是否为0；若是，则结束；若否，则进入步骤
S4
；
S4、
将二值图像中灰度值为
255
的区域进行分割得到早期轻微病害特征；
S5、
构建病害识别模型并确定损失函数
L
，以公开数据集对病害识别模型进行训练；
S6、
将早期轻微病害特征输入到病害识别模型中进行识别并输出识别结果
。
[0006]进一步地，在步骤
S1
中，光源作用下的农作物叶片的原始图像为：采用
LED
白色光由叶片的一侧向其照射，并在叶片的另一侧采用相机进行拍摄所获得的原始图像
。
[0007]进一步地，在步骤
S2
中，具体过程包括以下步骤：
S21、
将原始图像的
RGB
颜色空间转换到
HSI
颜色空间，并过滤掉
HSI
颜色空间中的绿色区域得到图像
A
；
S22、
将原始图像的
RGB
图像转化为三维的
XYZ
空间，再由
XYZ
空间转化到
Lab
空间得到图像
B
；
S23、
将图像
A
和图像
B
合并得到图像
C
，并采用最大类间方差法对图像
C
进行阈值分割；
S24、
确定用于阈值分割的二值图像阈值
T
；
S25、
根据二值图像阈值
T
将原始图像分割为目标和背景相分离的二值图像
。
[0008]进一步地，在步骤
S21
中，
RGB
颜色空间转换到
HSI
颜色空间的公式为：
[0009]其中，
[0010]其中，
H∈[70,200]，
S∈[0.17,1]。
[0011]进一步地，在步骤
S22
中，
RGB
图像转化为三维的
XYZ
空间的公式为：
[0012]则，
XYZ
空间转化到
Lab
空间的公式为：
[0013]上式中，
X、Y、Z
分别为
XYZ
空间对应的三个分量，
、
和均为函数的表达式
。
[0014]进一步地，在步骤
S4
中，具体过程包括以下步骤：
S41、
获取二值图像中灰度值为
255
的所有像素点构成像素集，
i
表示灰度值为
255
像素点的数量；
S42、
从像素集中选取任一相邻存在像素点灰度值为0的若干个像素点作为边界点；
S43、
采用最小二乘法对若干边界点进行拟合得到边界线；
S44、
以边界线为分割线进行分割得到早期轻微病害特征
。
[0015]进一步地，在步骤
S42
中，具体过程包括以下步骤：
S421、
选取任一像素点为原点，以原点且半径为
r
设立区域范围建立邻域，
r
的长度为两个像素点之间的欧氏距离；
S422、
搜寻在邻域上是否存在灰度值为0的像素点，，表示灰度值为0的像素点的数量；若是，则像素点为边界点；若否，则返回步骤
S421。
[0016]进一步地，在步骤
S5
中，病害识别模型由用于作为基本特征提取器的
VGGNet
卷积神经网络和用于提高高维特征并利用多尺度特征图进行分类的
Inception V3
神经网络组成；
VGGNet
卷积神经网络以原网络结构为基础，将最后一个卷积层设置为3×3×
512
的卷积，并在最后一个卷积层上增设批归一化
BN
卷积层，并使用
Swish
激活函数直接替换
ReLU
；在
Inception V3
神经网络的最后一个
Inception
模块之后增设一个全局池层以及一个
Softmax
分类器
。
[0017]进一步地，在步骤
S5
中，损失函数
L
的表达式为：
[0018]上式中，为早期轻微病害特征属于某个类别的概率，为聚焦参数，，为调制系数，取值范围为
。
[0019]借由上述技术方案，本专利技术提供了一种农作物病害图像的识别方法，至少具备以下有益效果：
1、
本专利技术实现了对以往计算机视觉所无法识别到的早期轻微病害特征进行有效识别，在病害出现的早期便能够及时发现并作出相应的防治措施，能够及时掌握病害出现的最佳防治时间，从而降低了农药的用量以及成本，并能够避免病害的进一步蔓延
。
[0020]2、
本专利技术通过构建病害识别模型提高对于早期轻微病害特征的识别准确性，尤其适用于这种表现不明显的病害特征识别，同时以损失函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种农作物病害图像的识别方法，其特征在于，该方法包括以下步骤：
S1、
获取在光源作用下的农作物叶片的原始图像；
S2、
将原始图像分割生成目标和背景相分离的二值图像；
S3、
判断二值图像中目标所覆盖的区域中任一像素点的灰度值是否为0；若是，则结束；若否，则进入步骤
S4
；
S4、
将二值图像中灰度值为
255
的区域进行分割得到早期轻微病害特征；
S5、
构建病害识别模型并确定损失函数
L
，以公开数据集对病害识别模型进行训练；
S6、
将早期轻微病害特征输入到病害识别模型中进行识别并输出识别结果
。2.
根据权利要求1所述的识别方法，其特征在于，在步骤
S1
中，光源作用下的农作物叶片的原始图像为：采用
LED
白色光由叶片的一侧向其照射，并在叶片的另一侧采用相机进行拍摄所获得的原始图像
。3.
根据权利要求1所述的识别方法，其特征在于，在步骤
S2
中，具体过程包括以下步骤：
S21、
将原始图像的
RGB
颜色空间转换到
HSI
颜色空间，并过滤掉
HSI
颜色空间中的绿色区域得到图像
A
；
S22、
将原始图像的
RGB
图像转化为三维的
XYZ
空间，再由
XYZ
空间转化到
Lab
空间得到图像
B
；
S23、
将图像
A
和图像
B
合并得到图像
C
，并采用最大类间方差法对图像
C
进行阈值分割；
S24、
确定用于阈值分割的二值图像阈值
T
；
S25、
根据二值图像阈值
T
将原始图像分割为目标和背景相分离的二值图像
。4.
根据权利要求3所述的识别方法，其特征在于，在步骤
S21
中，
RGB
颜色空间转换到
HSI
颜色空间的公式为：；其中，；其中，
H∈[70,200]
，
S∈[0.17,1]。5.
根据权利要求3所述的识别方法，其特征在于，在步骤
S22
中，
RGB

【专利技术属性】
技术研发人员：马睿，于会涛，马楠楠，于会彬，于笑，
申请(专利权)人：海南海柠科技有限公司，
类型：发明
国别省市：