【技术实现步骤摘要】
本专利技术涉及植物病毒识别领域，特别是涉及一种基于深度学习的甘薯病毒病识别方法及系统。
技术介绍
1、甘薯是中国最重要的粮食作物之一，也是人类重要的营养物质提供者。然而，甘薯对病毒性疾病非常敏感，易于代代相传，这导致了新品种快速退化和产量损失。其中，甘薯病毒病(spvd)对作物的危害尤为严重，因此快速而有效地检测该病害具有重要意义。
2、spvd是由甘薯羽状斑点病毒(spfmv)和甘薯脱绿矮化病毒(spcsv)的共同感染引起。目前，人们对spvd的主要检测技术包括生物学方法、血清学检测技术以及分子生物学检测方法。然而，手工检测spvd过程繁琐、费时且昂贵，而计算机检测可能更高效且经济实惠。近年来，随着中国甘薯产业规模化的发展，依赖人工经验和传统检测技术来识别spvd已难以满足高效生产的需求，因此迫切需要寻找新的解决方案，如人工智能和深度学习技术。
3、近年来，越来越多的研究人员开始考虑运用计算机视觉技术来检测植物病害。oppenheim等采用基于卷积神经网络(cnn)的模型，在基于rgb图像的四种马铃薯疾病检测领域取得了出色的准确性。此外，研究人员还开始将深度学习技术应用于实际场景中的视觉任务。dechant等学者应用深度学习方法，成功在玉米田间图像中识别出北叶枯病，其分类准确率达96.7％。
4、上述研究均表明计算机视觉技术在作物领域得到了有效的应用，然而将深度学习技术应用于甘薯方面的研究较少。尽管有学者利用深度学习方法对甘薯叶片进行计数，但这在实际意义上较为有限，同时也忽视了病害对作物的危
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的甘薯病毒病识别方法及系统，能够快速准确检测出甘薯病毒病。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于深度学习的甘薯病毒病识别方法，包括：
4、获取多张染病甘薯的rgb叶片图像；
5、对所述rgb叶片图像进行数据预处理，生成预处理后的数据集；
6、构建深度学习分割模型；
7、将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型；
8、获取待识别的染病甘薯的rgb叶片图像；
9、将所述待识别的染病甘薯的rgb叶片图像输入至所述优化后的甘薯病毒病识别模型，得到二值化的识别结果图；
10、根据所述二值化的识别结果图，得出甘薯病毒病的识别结果。
11、可选地，所述对所述rgb叶片图像进行数据预处理，生成预处理后的数据集，具体包括：
12、将所述rgb叶片图像的原始高分辨率照片划分为一系列512×512像素的小分辨率图像；
13、检查所述小分辨率图像是否包含染病叶片区域，得到带有染病叶片区域的小分辨率图像；
14、随机剔除所述小分辨率图像的多数纯背景图像，保留少数背景图像；
15、将带有染病叶片区域的小分辨率图像与所述少数背景图像叠加，合成新的图像。
16、可选地，所述将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型，具体包括：
17、将所述预处理后的数据集输入所述深度学习分割模型，得到训练后的甘薯病毒病识别模型；
18、根据多个评价指标对所述训练后的甘薯病毒病识别模型进行评价，得到评价结果；
19、根据所述评价结果调整训练后的甘薯病毒病识别模型参数，得到优化后的甘薯病毒病识别模型。
20、可选地，所述根据所述二值化的识别结果图，得出甘薯病毒病的识别结果，具体包括：
21、根据所述二值化的识别结果图将染病叶片区域在小分辨率图像中进行标注出来，得到多张标注后的小分辨率图像；
22、将多张所述标注后的小分辨率图像进行拼接，得到高分辨率图像；
23、根据所述高分辨率图像，确定甘薯病毒病的感染区域。
24、一种基于深度学习的甘薯病毒病识别系统，包括：
25、rgb叶片图像获取模块，用于获取多张染病甘薯的rgb叶片图像；
26、预处理模块，用于对所述rgb叶片图像进行数据预处理，生成预处理后的数据集；
27、深度学习分割模型构建模块，用于构建深度学习分割模型；
28、优化后的甘薯病毒病识别模型确定模块，用于将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型；
29、待识别rgb叶片图像获取模块，用于获取待识别的染病甘薯的rgb叶片图像；
30、二值化的识别结果图确定模块，用于将所述待识别的染病甘薯的rgb叶片图像输入至所述优化后的甘薯病毒病识别模型，得到二值化的识别结果图；
31、识别结果确定模块，用于根据所述二值化的识别结果图，得出甘薯病毒病的识别结果。
32、可选地，所述预处理模块，具体包括：
33、小分辨率图像划分单元，用于将所述rgb叶片图像的原始高分辨率照片划分为一系列512×512像素的小分辨率图像；
34、带有染病叶片区域的小分辨率图像确定单元，用于检查所述小分辨率图像是否包含染病叶片区域，得到带有染病叶片区域的小分辨率图像；
35、背景图像确定单元，用于随机剔除所述小分辨率图像的多数纯背景图像，保留少数背景图像；
36、新图像合成单元，用于将带有染病叶片区域的小分辨率图像与所述少数背景图像叠加，合成新的图像。
37、可选地，所述优化后的甘薯病毒病识别模型确定模块，具体包括：
38、训练单元，用于将所述预处理后的数据集输入所述深度学习分割模型，得到训练后的甘薯病毒病识别模型；
39、评价单元，用于根据多个评价指标对所述训练后的甘薯病毒病识别模型进行评价，得到评价结果；
40、参数调整单元，用于根据所述评价结果调整训练后的甘薯病毒病识别模型参数，得到优化后的甘薯病毒病识别模型。
41、可选地，所述识别结果确定模块，具体包括：
42、标准单元，用于根据所述二值化的识别结果图将染病叶片区域在小分辨率图像中进行标注出来，得到多张标注后的小分辨率图像；
43、拼接单元，用于将多张所述标注后的小分辨率图像进行拼接，得到高分辨率图像；
44、感染区域确定单元，用于根据所述高分辨率图像，确定甘薯病毒病的感染区域。
45、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
46、本专利技术提供一种基于深度学习的甘薯病毒病识别方法。该方法包括：获取多张染病甘薯的rgb叶片图像；对所述rgb叶片图像进行数据预处理，生成预处理后的数据集；构建深度学习分割模型；将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型；获取待识别的染病甘薯的rgb叶片图像；将所述待识别的染病甘薯的rgb叶片图像输入至所述优化后的甘薯病本文档来自技高网...
【技术保护点】
1.一种基于深度学习的甘薯病毒病识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述对所述RGB叶片图像进行数据预处理，生成预处理后的数据集，具体包括：
3.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型，具体包括：
4.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述根据所述二值化的识别结果图，得出甘薯病毒病的识别结果，具体包括：
5.一种基于深度学习的甘薯病毒病识别系统，其特征在于，包括：
6.根据权利要求5所述的基于深度学习的甘薯病毒病识别系统，其特征在于，所述预处理模块，具体包括：
7.根据权利要求5所述的基于深度学习的甘薯病毒病识别系统，其特征在于，所述优化后的甘薯病毒病识别模型确定模块，具体包括：
8.根据权利要求5所述的基于深度学习的甘薯病毒病识别系统，其特征在于，所述识别结果确定模块，具体包括：
【技术特征摘要】
1.一种基于深度学习的甘薯病毒病识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述对所述rgb叶片图像进行数据预处理，生成预处理后的数据集，具体包括：
3.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述将所述预处理后的数据集输入所述深度学习分割模型，得到优化后的甘薯病毒病识别模型，具体包括：
4.根据权利要求1所述的基于深度学习的甘薯病毒病识别方法，其特征在于，所述根据所述...
【专利技术属性】
技术研发人员：黄立飞，岳学军，丁子予，曾凡国，王章英，陈景益，
申请(专利权)人：广东省农业科学院作物研究所，
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。