【技术实现步骤摘要】
本专利技术属于烟叶病虫害，具体而言，涉及一种烟叶病虫害智能识别方法、介质及系统。
技术介绍
1、烟草是我国的重要经济作物，在我国国民经济发展中占据重要地位。烟叶是卷烟工业的重要原料，其产量的高低和质量的优劣将直接影响烟叶制品的品质和质量稳定性。我国烟叶病虫害种类数量多，严重影响烟叶的产量和品质，阻滞卷烟工业的发展，造成巨大的经济损失。因此，进行烟叶病虫害的防治成为目前烟草行业亟待解决的问题。为实现烟叶病虫害的防治，首先要解决的就是快速精准识别目标烟叶的病虫害种类。
2、目前我国识别烟叶病虫害的方法主要是以下三种。一是直接进行肉眼观察，容易受到操作人员的经验和主观因素影响，准确率不高，易导致误判错判。二是将烟田病虫害图像与烟叶病虫害图像对比，此方法准确率虽高，但用时较长，存在一定的滞后性，错过烟叶病虫害防治最佳时间。三是聘请植保病害专家进行诊治，此方法虽准确率最高，但受社会条件等限制，并不能满足每个烟农的需求。
3、因此，有必要设计一种无需肉眼观察，用时较短，能够快速精准识别目标烟叶的病虫害种类的烟叶病虫害识别方法。
技术实现思路
1、有鉴于此，本专利技术提供一种烟叶病虫害智能识别方法、介质及系统，无需肉眼观察，用时较短，能够快速精准识别目标烟叶的病虫害种类的烟叶病虫害识别。
2、本专利技术是这样实现的：
3、本专利技术的第一方面提供一种烟叶病虫害智能识别方法，其中,包括以下步骤:
4、s10、采集烟叶图像,并构建包含原始烟
5、s20、构建多分支网络,提取不同尺度的语义信息,识别并去除原始烟叶图像中的非烟叶区域;
6、s30、对去除非烟叶区域后的烟叶图像,进行旋转、缩放和亮度变化处理,以构建增强后的病虫害烟叶图像数据集;
7、s40、建立包含编码器和分类器的烟叶病虫害识别网络;其中,编码器由标准卷积、多尺度注意力模块、多尺度注意力瓶颈结构组成;
8、s50、利用病虫害烟叶图像数据集训练烟叶病虫害识别网络,获得对不同病虫害的识别模型;
9、s60、对采集的烟叶图像,先后输入编码器和分类器,实现对烟叶图像的病虫害自动识别;
10、s70、将识别结果输出。
11、在上述技术方案的基础上，本专利技术的一种烟叶病虫害智能识别方法还可以做如下改进:
12、其中，所述采集烟叶图像,并构建包含原始烟叶图像和对应的标签图像的烟叶图像数据集的步骤中的具体要求是：设置数字相机拍摄烟叶图像,数字相机的感光元件为cmos感光芯片,有效像素不少于1200万;控制数字相机以高频率连续拍摄大田烟叶图像;采集的烟叶图像数据传输至图像处理服务器,传输接口为usb 3.0接口,传输带宽不小于5gb/s;纠正图像畸变,采用opencv函数,根据相机内参和畸变系数实现畸变校正;初步筛除失真图像,基于图像清晰度方法检测并移除失真模糊图像;获取的烟叶区域的标签为人工标注,标注非烟叶区域为0,烟叶区域为1。
13、为进一步丰富样本量增强对环境的适应性，使用旋转、缩放、亮度变化对烟叶图像进行图像增强操作。对原始烟叶图像进行随机旋转，旋转角度分别为±15°、±30°、±45°、±60°、±75°±90°；对原始烟叶图像进行随机缩放，缩放比例分别为：0.50、0.75、1.00、1.25；对原始烟叶图像进行随机亮度变化，亮度变化比例分别为：0.50、0.75、1.00、1.25、1.5、1.75。
14、其中，所述构建多分支网络,提取不同尺度的语义信息,识别并去除原始烟叶图像中的非烟叶区域的步骤，具体包括：搭建深度神经网络,包含低分辨率语义子网络、中分辨率边界预测子网络和高分辨率细节恢复子网络;低分辨率子网络由编码器和解码器组成；
15、可选的编码器使用resnet预训练模型,解码器采用转置卷积;中分辨率子网络采用编码器解码器结构,编码器基于vgg16,解码器包含多层反卷积;高分辨率子网络输入原始图像,经过膨胀卷积提取细节特征;在低分辨率语义预测结果与高分辨率细节特征之间添加连接,使低层语义信息反馈到高层,以提升细节预测准确性。
16、其中，所述对去除非烟叶区域后的烟叶图像,进行旋转、缩放和亮度变化处理,以构建增强后的病虫害烟叶图像数据集的步骤，具体包括：利用opencv函数设置图像缩放比例参数scale,对烟叶图像进行缩放处理;设置旋转角度参数angle,对缩放后的图像进行旋转变换;调整图像hsv空间的明度分量参数bright_ratio,得到亮度增强的图像;重复执行上述步骤,每张原始图像生成8张形态与亮度不同的图像数据;合并原始图像及增强后图像,构建病虫害烟叶图像数据集,共10000张图像,按8:2划分训练集和验证集。
17、其中，所述建立包含编码器和分类器的烟叶病虫害识别网络的步骤，具体是：搭建包含卷积编码器和全连接分类器的卷积神经网络;编码器部分包含标准卷积层、msba模块、下采样msba模块和多分辨率注意力模块;msba模块由多尺度廉价卷积和1x1点卷积组成,用于提取多尺度特征;多分辨率注意力模块用于动态选择不同分支信息,融合多尺度特征。
18、其中，所述利用病虫害烟叶图像数据集训练烟叶病虫害识别网络的步骤，具体是：导入增强后8000张训练样本图像及标签,以mini-batch为单位,批量大小设为16;初始化网络参数,编码器部分加载在imagenet数据集上预训练的模型参数,分类器部分随机初始化;选取交叉熵损失函数,以及adam优化算法,学习率以多步衰减调整;训练迭代次数设定为100个epochs,采用数据增强的方法防止过拟合。
19、其中，所述对采集的烟叶图像,先后输入编码器和分类器,实现对烟叶图像的病虫害自动识别的步骤，具体包括：对采集的烟叶图像,经过步骤s10的预处理后输入到训练好的编码器中;编码器输出的特征图,进入到分类器的2个全连接层判断逻辑中;分类器给出每个图像所属的m个类别的病虫害预测结果,以及对应的概率值;判断烟叶图像是否存在以及存在哪种特定的病虫害，一般的m大于2。
20、进一步的，所述判断烟叶图像是否存在以及存在哪种特定的病虫害，具体是：分类器结果按不同类别输出m个概率值, 以最大概率值对应的类别为病虫害预测结果，得到对应的病虫害结果;例如，当m=4，这时候类别1-3的概率为0.4，0.15，0.25，类别4（无病虫害）的概率为0.2，则四个概率值0.4最大，那么就会输出预测结果为类别1的病虫害。
21、本专利技术的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种烟叶病虫害智能识别方法。
22、本专利技术的第三方面提供一种烟叶病虫害智能识别系统，其中，包含上述的计算机可读存储介质。
23、与现有技术相比较，本专利技术提供的一种烟叶病虫害智能识别方法、介质及系统的有益效果是本文档来自技高网...
【技术保护点】
1.一种烟叶病虫害智能识别方法，其特征在于,包括以下步骤:
2.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述采集烟叶图像,并构建包含原始烟叶图像和对应的标签图像的烟叶图像数据集的步骤中的具体要求是：设置数字相机拍摄烟叶图像,数字相机的感光元件为CMOS感光芯片,有效像素不少于1200万;控制数字相机以高频率连续拍摄大田烟叶图像;采集的烟叶图像数据传输至图像处理服务器,传输接口为USB 3.0接口,传输带宽不小于5Gb/s;纠正图像畸变,采用OpenCV函数,根据相机内参和畸变系数实现畸变校正;初步筛除失真图像,基于图像清晰度方法检测并移除失真模糊图像;获取的烟叶区域的标签为人工标注,标注非烟叶区域为0,烟叶区域为1。
3.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述构建多分支网络,提取不同尺度的语义信息,识别并去除原始烟叶图像中的非烟叶区域的步骤中，所述多分支网络包括低分辨率语义子网络、中分辨率边界预测子网络和高分辨率细节恢复子网络。
4.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述对
5.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述建立包含编码器和分类器的烟叶病虫害识别网络的步骤，具体是：搭建包含卷积编码器和全连接分类器的卷积神经网络;编码器部分包含标准卷积层、MSBA模块、下采样MSBA模块和多分辨率注意力模块;MSBA模块由多尺度廉价卷积和1x1点卷积组成,用于提取多尺度特征;多分辨率注意力模块用于动态选择不同分支信息,融合多尺度特征。
6.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述利用病虫害烟叶图像数据集训练烟叶病虫害识别网络的步骤，具体是：导入增强后8000张训练样本图像及标签,以mini-batch为单位,批量大小设为16;初始化网络参数,编码器部分加载在ImageNet数据集上预训练的模型参数,分类器部分随机初始化;选取交叉熵损失函数,以及Adam优化算法,学习率以多步衰减调整;训练迭代次数设定为100个epochs,采用数据增强的方法防止过拟合。
7.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述对采集的烟叶图像,先后输入编码器和分类器,实现对烟叶图像的病虫害自动识别的步骤，具体包括：对采集的烟叶图像,经过步骤S10的预处理后输入到训练好的编码器中;编码器输出的特征图,进入到分类器的2个全连接层判断逻辑中;分类器给出每个图像所属的多个类别的病虫害预测结果,以及对应的概率值;判断烟叶图像是否存在以及存在哪种特定的病虫害。
8.根据权利要求7所述的一种烟叶病虫害智能识别方法，其特征在于，所述判断烟叶图像是否存在以及存在哪种特定的病虫害的步骤，具体是：分类器结果按不同类别输出多个概率值,以最大概率值对应的类别为病虫害预测结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种烟叶病虫害智能识别方法。
10.一种烟叶病虫害智能识别系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
...【技术特征摘要】
1.一种烟叶病虫害智能识别方法，其特征在于,包括以下步骤:
2.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述采集烟叶图像,并构建包含原始烟叶图像和对应的标签图像的烟叶图像数据集的步骤中的具体要求是：设置数字相机拍摄烟叶图像,数字相机的感光元件为cmos感光芯片,有效像素不少于1200万;控制数字相机以高频率连续拍摄大田烟叶图像;采集的烟叶图像数据传输至图像处理服务器,传输接口为usb 3.0接口,传输带宽不小于5gb/s;纠正图像畸变,采用opencv函数,根据相机内参和畸变系数实现畸变校正;初步筛除失真图像,基于图像清晰度方法检测并移除失真模糊图像;获取的烟叶区域的标签为人工标注,标注非烟叶区域为0,烟叶区域为1。
3.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述构建多分支网络,提取不同尺度的语义信息,识别并去除原始烟叶图像中的非烟叶区域的步骤中，所述多分支网络包括低分辨率语义子网络、中分辨率边界预测子网络和高分辨率细节恢复子网络。
4.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述对去除非烟叶区域后的烟叶图像,进行旋转、缩放和亮度变化处理,以构建增强后的病虫害烟叶图像数据集的步骤，具体包括：利用opencv函数设置图像缩放比例参数scale,对烟叶图像进行缩放处理;设置旋转角度参数angle,对缩放后的图像进行旋转变换;调整图像hsv空间的明度分量参数bright_ratio,得到亮度增强的图像;重复执行上述步骤,每张原始图像生成8张形态与亮度不同的图像数据;合并原始图像及增强后图像,构建病虫害烟叶图像数据集,共10000张图像,按8:2划分训练集和验证集。
5.根据权利要求1所述的一种烟叶病虫害智能识别方法，其特征在于，所述建立包含编码器和分类器的烟叶病虫害识别网络的步骤，具体是：搭...
【专利技术属性】
技术研发人员：代英鹏，赵泮真，
申请(专利权)人：中国农业科学院烟草研究所中国烟草总公司青州烟草研究所，
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。