【技术实现步骤摘要】
本专利技术涉及农业自动化，具体涉及基于神经网络的农作物致病孢子识别自动监测系统及方法。
技术介绍
1、在农业生产过程中，由于细菌、真菌和病毒等病原体的存在，会导致农作物病害频繁发生。这些病害严重影响蔬菜的质量和产量，每年导致十分严重的经济损失。在最近的几年时间里，因为气候、耕作方式、选取的品种不适合种植环境以及不合适的用药等因素，近年来出现了农作物病害面积逐步增大、病害种类逐步增多等情况。致病孢子用肉眼难以观察，会随着空气以及雨水传播到农作物的各个部位造成病害，直接导致农作物减产，带来惨重的经济损失。所以及时判断出农作物各个部位上是否有致病孢子有很重要的意义。
2、传统的病害诊断主要通过农学专家或者技术员根据经验进行识别和评估，存在耗时、费力且效率低的问题，难以适应病害快速防治的实时性与准确性要求。在过去几年中，神经网络的发展推动了大规模基准数据集视觉识别的快速发展。这些基于卷积神经网络的模型和算法已被证明可用于解决病害识别问题。因此越来越多的研究聚焦于农作物病害检测和分类，并取得了一定的成功。
3、基于神经网络的农作物病害识别模型通常需要大规模的病害叶片图像作为训练数据集，构建时空分布广泛，不同病害阶段的数据集费时耗力，而且在复杂环境下，农作物病害图像中常包含其他植株、土壤、地膜、水管等各种背景。因此，在现有病害数据集中，一方面，病害图像数量不足以支撑训练参数量大的识别模型，另一方面，病害图像的背景单一，直接使用此种类型的数据集进行训练，在真实环境下测试将会存在较大误差。
技
1、为解决现有技术中的问题，本专利技术专利设计了基于神经网络的农作物致病孢子识别自动监测系统，以解决现有基于神经网络的农作物病害图像识别模型所需处理量大，实际应用效果不佳的问题。
2、本专利技术所采用的技术方案是：基于神经网络的农作物致病孢子识别自动监测系统，所述识别自动监测系统包括图像分类模块、文本分类模块及联合分类模块，所述图像分类模块，基于农作物图像得到病害种类的第一预测概率；所述文本分类模块，基于农作物文本信息得到病害种类的第二预测概率；所述联合分类模块，用于将所述第一预测概率和所述第二预测概率进行联合输出，得到病害类别。
3、进一步的，所述图像分类模块包括：第一特征提取网络和第一概率计算单元。第一特征提取网络，用于对农作物图像进行特征提取，得到第一提取结果，其中第一提取结果包括农作物特征图像和农作物特征图像标签；第一概率计算单元基于所述第一提取结果计算第一预测概率。
4、进一步的，所述文本分类模块包括第二特征提取网络和第二概率计算单元，所述第二特征提取网络用于对农作物文本信息进行特征提取，得到文本信息提取结果，所述农作物文本信息包括病斑生长的位置信息、叶片的正背面信息及病害本身的特征信息；所述文本信息提取结果包括农作物特征文本和农作物特征文本标签；所述第二概率计算单元用于基于所述文本信息提取结果计算第二预测概率。
5、进一步的，所述第二特征提取网络包括上下文网络和当前文本网络，所述上下文网络包括所述病斑生长的位置信息和所述叶片的正背面信息，通过双向循环神经网络对上下文信息进行特征提取，得到第二提取结果；所述当前文本网络为所述病害本身的特征信息，通过神经网络对当前文本信息进行特征提取，得到第三提取结果。
6、进一步的，所述联合分类模块包括联合输出单元和病害识别单元，所述联合输出单元用于将所述农作物图像和所述农作物文本进行联合输出，得到第三预测概率，所述病害识别单元基于所述第三预测概率对农作物病害进行识别，得到病害类别。
7、进一步的，还包括图像采集模块，所述图像采集模块包括抽风装置、孢子捕捉装置、数字显微相机和远传模块，所述孢子捕捉装置设置在抽风装置的进风口处，所述抽风装置定时开启，所述孢子捕捉装置捕捉被抽风装置带来的孢子，并定时将捕捉的孢子输送至数字显微相机处进行拍摄，所述远传模块将拍摄的孢子图像传输至服务器进行识别。
8、同时，本专利技术还公开了基于神经网络的农作物致病孢子识别自动监测系统方法，所述识别自动监测系统方法包括以下步骤：
9、步骤1，基于农作物图像得到农作物病害种类的第一预测概率；
10、步骤2，基于农作物文本信息得到农作物病害种类的第二预测概率；
11、步骤3，将第一预测概率和第二预测概率进行联合输出，得到病害类别。
12、进一步的，所述步骤1的过程包括对农作物图像进行特征提取，得到第一提取结果；第一提取结果包括农作物特征图像和农作物特征图像标签；基于第一提取结果计算第一预测概率。
13、进一步的，所述步骤2得到农作物病害种类的第二预测概率的过程包括：对农作物文本信息进行特征提取，得到文本信息提取结果，基于文本信息提取结果计算第二预测概率；其中农作物文本信息包括病斑生长的位置信息、叶片的正背面信息及病害本身的特征信息，文本信息提取结果包括农作物特征文本和农作物特征文本标签。
14、进一步的，所述步骤2对农作物文本信息进行特征提取的过程包括通过双向循环神经网络对上下文信息进行特征提取，得到第二提取结果，以及通过神经网络对当前文本信息进行特征提取，得到第三提取结果；其中当前文本信息为病害本身的特征信息，包括病斑生长的位置信息和叶片的正背面信息；上下文信息包括病斑生长的位置信息和叶片的正背面信息及病害本身的特征信息。
15、进一步的，所述步骤3得到病害类别的过程包括将农作物图像和所述农作物文本进行联合输出，得到第三预测概率；基于第三预测概率对农作物病害进行识别，得到病害类别。
16、相对于现有技术，本专利技术专利设计的基于神经网络的农作物致病孢子识别自动监测系统的进步之处在于：本专利技术基于农作物图像得到农作物病害种类的第一预测概率，基于农作物文本得到农作物病害种类的第二预测概率，以图像通道和文本通道两种通道并行的方式进行病害种类分类；本专利技术在图像数据集的基础上，以文本的形式，增加了病害描述信息，从而构成病害图像-文本对作为病害识别模型的数据集。本专利技术在文本通道中通过描述病害症状，进一步增强了病害的特征表达，削弱了病害图像背景对识别过程带来的影响。本专利技术通过联合分类模块，能够将图像-文本对输入模型，避免传统的图像识别模型需要对大量的图像信息进行识别对比的处理缺陷以及单一背景的识别准确率的制约，提高对病害识别的准确率，实用性更强。
本文档来自技高网...【技术保护点】
1.基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述识别自动监测系统包括图像分类模块、文本分类模块及联合分类模块，所述图像分类模块，基于农作物图像得到病害种类的第一预测概率；所述文本分类模块，基于农作物文本信息得到病害种类的第二预测概率；所述联合分类模块，用于将所述第一预测概率和所述第二预测概率进行联合输出，得到病害类别。
2.根据权利要求1所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述图像分类模块包括第一特征提取网络和第一概率计算单元，第一特征提取网络，用于对农作物图像进行特征提取，得到第一提取结果，其中第一提取结果包括农作物特征图像和农作物特征图像标签；第一概率计算单元基于所述第一提取结果计算第一预测概率。
3.根据权利要求2所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述文本分类模块包括第二特征提取网络和第二概率计算单元，所述第二特征提取网络用于对农作物文本信息进行特征提取，得到文本信息提取结果，所述农作物文本信息包括病斑生长的位置信息、叶片的正背面信息及病害本身的特征信息；所述文本信息提取结果
4.根据权利要求3所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述第二特征提取网络包括上下文网络和当前文本网络，所述上下文网络包括所述病斑生长的位置信息和所述叶片的正背面信息，通过双向循环神经网络对上下文信息进行特征提取，得到第二提取结果；所述当前文本网络为病害本身的特征信息，通过神经网络对当前文本信息进行特征提取，得到第三提取结果。
5.根据权利要求4所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述联合分类模块包括联合输出单元和病害识别单元，所述联合输出单元用于将所述农作物图像和所述农作物文本进行联合输出，得到第三预测概率，所述病害识别单元基于所述第三预测概率对农作物病害进行识别，得到病害类别。
6.根据权利要求5所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，还包括图像采集模块，所述图像采集模块包括抽风装置、孢子捕捉装置、数字显微相机和远传模块，所述孢子捕捉装置设置在抽风装置的进风口处，所述抽风装置定时开启，所述孢子捕捉装置捕捉被抽风装置带来的孢子，并定时将捕捉的孢子输送至数字显微相机处进行拍摄，所述远传模块将拍摄的孢子图像传输至服务器进行识别。
7.基于神经网络的农作物致病孢子识别自动监测方法，其特征在于，所述识别自动监测系统方法包括以下步骤：
8.根据权利要求7所述基于神经网络的农作物致病孢子识别自动监测系统方法，其特征在于，所述步骤2得到农作物病害种类的第二预测概率的过程包括：对农作物文本信息进行特征提取，得到文本信息提取结果，基于文本信息提取结果计算第二预测概率；其中农作物文本信息包括病斑生长的位置信息、叶片的正背面信息及病害特征的本身信息，文本信息提取结果包括农作物特征文本和农作物特征文本标签。
9.根据权利要求8所述基于神经网络的农作物致病孢子识别自动监测系统方法，其特征在于，所述步骤2对农作物文本信息进行特征提取的过程包括通过双向循环神经网络对上下文信息进行特征提取，得到第二提取结果，以及通过神经网络对当前文本信息进行特征提取，得到第三提取结果；其中当前文本信息为病害本身的特征信息，包括病斑生长的位置信息和叶片的正背面信息；上下文信息包括病斑生长的位置信息和叶片的正背面信息及病害特征的本身信息。
10.根据权利要求9所述基于神经网络的农作物致病孢子识别自动监测系统方法，其特征在于，所述步骤3得到病害类别的过程包括将农作物图像和所述农作物文本进行联合输出，得到第三预测概率；基于第三预测概率对农作物病害进行识别，得到病害类别。
...【技术特征摘要】
1.基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述识别自动监测系统包括图像分类模块、文本分类模块及联合分类模块，所述图像分类模块，基于农作物图像得到病害种类的第一预测概率；所述文本分类模块，基于农作物文本信息得到病害种类的第二预测概率；所述联合分类模块，用于将所述第一预测概率和所述第二预测概率进行联合输出，得到病害类别。
2.根据权利要求1所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述图像分类模块包括第一特征提取网络和第一概率计算单元，第一特征提取网络，用于对农作物图像进行特征提取，得到第一提取结果，其中第一提取结果包括农作物特征图像和农作物特征图像标签；第一概率计算单元基于所述第一提取结果计算第一预测概率。
3.根据权利要求2所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述文本分类模块包括第二特征提取网络和第二概率计算单元，所述第二特征提取网络用于对农作物文本信息进行特征提取，得到文本信息提取结果，所述农作物文本信息包括病斑生长的位置信息、叶片的正背面信息及病害本身的特征信息；所述文本信息提取结果包括农作物特征文本和农作物特征文本标签；所述第二概率计算单元用于基于所述文本信息提取结果计算第二预测概率。
4.根据权利要求3所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述第二特征提取网络包括上下文网络和当前文本网络，所述上下文网络包括所述病斑生长的位置信息和所述叶片的正背面信息，通过双向循环神经网络对上下文信息进行特征提取，得到第二提取结果；所述当前文本网络为病害本身的特征信息，通过神经网络对当前文本信息进行特征提取，得到第三提取结果。
5.根据权利要求4所述的基于神经网络的农作物致病孢子识别自动监测系统，其特征在于，所述联合分类模块包括联合输出单元和病害识别单元，所述联合输出单元用于将所述农作物图像和所述农作...
【专利技术属性】
技术研发人员：张超，王安炜，王涛，王俊美，张兴国，张铭志，贾文明，李小芹，
申请(专利权)人：山东农业大学，
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。