CN109165623B - 基于深度学习的水稻病斑检测方法及系统 - Google Patents
基于深度学习的水稻病斑检测方法及系统 Download PDFInfo
- Publication number
- CN109165623B CN109165623B CN201811043736.1A CN201811043736A CN109165623B CN 109165623 B CN109165623 B CN 109165623B CN 201811043736 A CN201811043736 A CN 201811043736A CN 109165623 B CN109165623 B CN 109165623B
- Authority
- CN
- China
- Prior art keywords
- sample set
- rice
- photo
- inknet
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的水稻病斑检测方法及系统,属于图像处理领域,包括:照片样本集和人工标注样本集,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练得到最优模型;利用最优模型识别当前需要检测的水稻病斑图像,计算水稻病斑面积占比并对病害情况进行分级。通过采用Pytorch深度学习框架的Linknet网络模型,能够提升水稻叶片病斑识别的泛化能力以及野外实用性,提高信息利用率,有利于后续定量施药,降低环境污染。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及一种基于深度学习的水稻病斑检测方法及系统。
背景技术
当前对叶片病斑识别主要有两种技术手段:其一是建立人工神经网络模型对单个叶片样本的照片或影像进行识别;另一种是利用支持向量机,通过颜色,纹理,形状等特征建立特征向量进行识别。但人工神经网络层数较少,特征提取能力不足;支持向量机依靠特定的几种特征进行分类,然而特定特征并非能够完全或较好的表示病斑特征信息,因此分类精度有限。而且两种方式都是在室内利用采集的有限的叶片样本做识别工作,没有将研究性工作转化到野外实地应用中。另一方面训练样本较少,大多通过一些简单的旋转缩放等图像处理方式来扩充样本量,模型泛化能力较差。
发明内容
有鉴于此,为了解决当前水稻叶片病斑识别效率低、泛化能力及野外实用性差的技术问题,本发明提供了一种基于深度学习的水稻病斑检测方法及系统。
本发明提供了一种基于深度学习的水稻病斑检测方法,包括如下步骤:创建样本数据集,样本数据集包括照片样本集和人工标注样本集,照片样本集为采集的原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1;对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型;采集当前需要检测的水稻病斑图像;利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级;输出水稻病斑识别结果以及病害分级情况。
本发明还提供一种基于深度学习的水稻病斑检测系统,包括:样本数据集创建模块,利用样本数据集创建模块创建照片样本集和人工标注样本集,照片样本集中的样本集为采集的原始图片集,人工标注样本集中的样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1;图像预处理模块,图像预处理模块对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;识别模型训练模块,在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型;图像采集模块,利用图像采集模块采集当前需要检测的水稻图像;病斑智能识别模块,病斑智能识别模块利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级;结果输出模块,输出水稻病斑识别结果以及病害分级情况。
与现有技术相比,本发明提供的基于深度学习的水稻病斑检测方法及系统,至少实现了如下的有益效果:
1.本发明利用目前先进的深度学习网络结构结合无人机获取的大量农田实地照片样本进行训练,利用训练模型对水稻叶片病斑进行识别,不再局限于室内有限的叶片样本,提升了水稻叶片病斑识别的泛化能力以及野外实用性;
2.本发明采用的网络结构效率高用时短,并且本发明的网络结构提取图像特征的同时与原始图像相结合来弥补损失的空间信息,提高了信息利用率。
3.利用本发明的方法智能识别病斑并判断病害情况,有利于后续定量施药,降低环境污染。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例提供的一种基于深度学习的水稻病斑检测方法的流程图;
图2为本发明实施例提供的一种基于深度学习的水稻病斑检测系统的结构框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
深度学习是当前新兴的图像识别手段,能够不依赖特定特征对目标进行识别,且可以通过调整参数、优化样本结构等手段提高模型的识别能力和效率。当前已广泛应用于行为检测,手写字体识别等方面,而在农业尤其是水稻病害识别方向还鲜有应用。本发明提供了一种水稻叶片病斑检测方法,利用目前较为先进的深度学习网络结构结合无人机获取的大量农田实地照片样本进行训练,利用训练模型对水稻叶片病斑进行识别。
实施例1:
参见图1,图1是本发明实施例提供的一种基于深度学习的水稻病斑检测方法的流程图。在本发明实施例中,采用深度学习网络结构进行水稻病斑检测,其具体步骤如下:
S1:创建样本数据集,样本数据集包括照片样本集和人工标注样本集,照片样本集为采集的原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1。
S2:对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集。
S3:在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型。
S4:采集当前需要检测的水稻图像。
S5:利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级。
S6:输出水稻病斑识别结果以及病害分级情况。
如图2所示,本发明实施例还提供一种基于深度学习的水稻病斑检测系统,包括如下模块:
样本数据集创建模块10,利用样本数据集创建模块10创建照片样本集和人工标注样本集,照片样本集中的样本集为采集的原始图片集,人工标注样本集中的样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1。
图像预处理模块20,图像预处理模块20对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集。
识别模型训练模块30,在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训,练训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型。
图像采集模块40,利用图像采集模块采集当前需要检测的水稻图像。
病斑智能识别模块50,病斑智能识别模块利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级。
结果输出模块60,输出水稻病斑识别结果以及病害分级情况。
本发明实施例提供的一种基于深度学习的水稻病斑检测方法与系统,将采集的当前需要检测的水稻病斑图像输入最优模型,利用最优模型进行水稻病斑识别,判断出是何种水稻病斑,并计算目前水稻叶片上的病斑在该叶片上的面积占比,根据面积占比对病害情况进行分级,输出水稻病斑判断结果以及病害分级情况。
实施例2:
如图1所示,本发明提供的一种基于深度学习的水稻病斑检测方法,包括如下步骤:
S1:创建样本数据集,样本数据集包括照片样本集和人工标注样本集,照片样本集为采集的原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1。
可选的,步骤S1中的照片样本集为无人机载摄像头抓取的DNG格式无损照片。
需要说明的是,本发明实施例只是示例性的说明了一种照片格式,其他无损格式的照片也可以,本发明对此不作具体限制。
可选的,步骤S1中的格式转换是指将DNG格式转换为PNG格式。
需要说明的是,本发明实施例只是示例性的说明了一种转换格式,转换成其他无损格式也可以,本发明对此不作具体限制。
利用无人机载摄像头采集原始图片集作为照片样本集,无人机载摄像头采集的原始图片样本通常为无损DNG格式,为了节约存储空间,提高处理速度,需要进行格式转换,通常情况下将其转换为PNG格式,PNG格式也是一种无损压缩格式,压缩比高,生成文件体积小,处理速度快。
S2:对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集。
可选的,步骤S2中的将照片样本集和人工标注样本集按照比例进行切分的比例为1:100。
具体的,将照片样本集与标注样本集按照比例进行切分,能够在批量输入训练样本时,降低训练模型过程中对GPU内存的占用,避免出现内存不足的情况。
S3:在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型。
可选的,Linknet网络模型的损失函数为其中P为第二人工标注样本集中样本的分布,Q为第二照片样本集中模型预测样本的分布,训练过程即是反复优化第二照片样本集中模型预测样本Q,使得第二照片样本集中模型预测样本Q的分布情况逐渐接近第二人工标注样本集中样本的分布P,最终达到近似于第二人工标注样本集中样本的分布P对样本的描述程度。权重优化函数为Adam:
①mt=β1×mt-1+(1-β1)dx
②vt=β2×vt-1+(1-β2)dx2
其中mt为t时间步的第一动量(基于梯度均值的动量),vt为t时间步的第二动量(基于梯度平方的动量),此时动量不再只由当前梯度决定,而是由梯度均值和平方值共同调节。β1,β2为指数衰减率,dx为t-1时间步的梯度,x为权重更新值,α为学习率,ε为避免除数为0的常数(因为vt初始化为0),设为1*10-8。其中,t时间步是指第t次迭代。
S4:采集当前需要检测的水稻病斑图像。
S5:利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级。
S6:输出水稻病斑识别结果以及病害分级情况。
如图2所示,本发明实施例还提供一种基于深度学习的水稻病斑检测系统,包括如下模块:
样本数据集创建模块10,利用样本数据集创建模块10创建照片样本集和人工标注样本集,照片样本集中的样本集为采集的原始图片集,人工标注样本集中的样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1。
可选的,样本数据集创建模块10中的照片样本集为无人机载摄像头抓取的DNG格式无损照片。
需要说明的是,本发明实施例只是示例性的说明了一种照片格式,其他无损格式的照片也可以,本发明对此不作具体限制。
可选的,样本数据集创建模块10中的格式转换是指将DNG格式转换为PNG格式。
需要说明的是,本发明实施例只是示例性的说明了一种转换格式,转换成其他无损格式也可以,本发明对此不作具体限制。
图像预处理模块20,图像预处理模块20对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分形成第二照片样本集和第二人工标注样本集。
可选的,步骤S2中的将照片样本集和人工标注样本集按照比例进行切分的比例为1:100。
具体的,将照片样本集与标注样本集按照比例进行切分,能够在批量输入训练样本时,降低训练模型过程中对GPU内存的占用,避免出现内存不足的情况。
识别模型训练模块30,在Pytorch框架下基于Linknet网络结构搭建模型,设置初始权重,学习率,批次尺寸和迭代次数等参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于深度学习系统对Linknet网络模型进行训练训练过程中会按迭代次数等间隔来保存多个模型,利用验证集数据来选择误差最小的模型输出作为用于分类的最优模型。
可选的,Linknet网络模型的损失函数为其中P为第二人工标注样本集中样本的分布,Q为第二照片样本集中模型预测样本的分布,训练过程即是反复优化第二照片样本集中模型预测样本Q,使得第二照片样本集中模型预测样本Q的分布情况逐渐接近第二人工标注样本集中样本的分布P,最终达到近似于第二人工标注样本集中样本的分布P对样本的描述程度。权重优化函数为Adam:
①mt=β1×mt-1+(1-β1)dx
②vt=β2×vt-1+(1-β2)dx2
其中mt为t时间步的第一动量(基于梯度均值的动量),vt为t时间步的第二动量(基于梯度平方的动量),此时动量不再只由当前梯度决定,而是由梯度均值和平方值共同调节。β1,β2为指数衰减率,dx为t-1时间步的梯度,x为权重更新值,α为学习率,ε为避免除数为0的常数(因为vt初始化为0),设为1*10-8。其中,t时间步是指第t次迭代。
图像采集模块40,利用图像采集模块采集当前需要检测的水稻病斑图像。
病斑智能识别模块50,病斑智能识别模块利用最优模型识别当前需要检测的水稻图像,计算水稻图像中病斑面积的占比、并对病害情况进行分级。
结果输出模块60,输出水稻病斑识别结果以及病害分级情况。
本发明实施例提供的一种基于深度学习的水稻病斑检测方法与系统,将采集的当前需要检测的水稻病斑图像输入最优模型,利用最优模型进行水稻病斑识别,判断出是何种水稻病斑,并计算目前水稻叶片上的病斑在该叶片上的面积占比,根据面积占比对病害情况进行分级,输出水稻病斑判断结果以及病害分级情况。
本发明实施例提供的一种基于深度学习的水稻病斑检测方法,采用Pytorch深度学习框架下的Linknet网络结构,效率非常高,以AlexNet网络结构为例,Linknet预测一张相同尺寸大小的照片所需时间仅为AlexNet的五分之一。且Linknet在提取图像特征的同时与原始图像相结合来弥补损失的空间信息,提高了信息利用率,节约了存储空间。
实施例3:
以下提供本发明通过基于深度学习的水稻病斑检测方法与系统的应用实施例。在本发明实施例中,采用深度学习网络结构进行水稻病斑检测,其具体步骤如下:
S1:创建样本数据集,样本数据集包括照片样本集和人工标注样本集,照片样本集为采集的原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注叶片病斑处理后的图片集,样本数据集中照片样本集和人工标注样本集比例为2:1。
本实施例中,照片样本集图片数量为200张,人工标注样本集数量为100张。
S2:对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集。
如图X所示,对人工标注样本集中的图片进行二值化处理后,整个图片只有黑白两色,能够以最小的数据量保存最多的图像细节。然后将照片样本集
S3:在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型。
S4:采集当前需要检测的水稻病斑图像。
利用无人机载摄像头获取当前农田内水稻病斑的图像,也可以选择其他的方式获取图像,本发明对此不作具体限制。
S5:利用最优模型识别当前需要检测的水稻病斑图像,计算水稻病斑面积占比并对病害情况进行分级。
S6:输出水稻病斑识别结果以及病害分级情况。
将当前农田内的水稻图像输入最优模型并进行病斑识别,计算水稻图像中病斑面积的占比、并对病害情况进行分级,同时建议采取何种措施。例如,对当前获取的农田水稻图像经过最优模型进行病斑识别后,识别结果为水稻纹枯病,同时计算出水稻病斑面积占比为20%,病害等级情况为二级,则输出如下内容:
水稻病斑的种类:水稻纹枯病
病斑面积占比:20%
病害等级:二级
建议采取的措施:每亩用10%己唑醇55毫升+营养叶面肥粒粒宝30毫升兑水30—40公斤,趁早晨露水未干时粗雾喷于水稻下部。
通过上述实施例可知,本发明提供的一种基于深度学习的水稻病斑检测方法及系统,至少实现了如下的有益效果:
1.本发明利用目前先进的深度学习网络结构结合无人机获取的大量农田实地照片样本进行训练,利用训练模型对水稻叶片病斑进行识别,不再局限于室内有限的叶片样本,提升了水稻叶片病斑识别的泛化能力以及野外实用性;
2.本发明采用的网络结构效率高用时短,并且本发明的网络结构提取图像特征的同时与原始图像相结合来弥补损失的空间信息,提高了信息利用率。
3.利用本发明的方法智能识别病斑并判断病害情况,有利于后续定量施药,降低环境污染。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种基于深度学习的水稻病斑检测方法,其特征在于,包括如下步骤:
创建样本数据集,所述样本数据集包括照片样本集和人工标注样本集,所述照片样本集为采集的原始图片集,所述人工标注样本集为对所述原始图片进行格式转换、人工标注叶片病斑处理后的图片集,所述样本数据集中所述照片样本集和所述人工标注样本集比例为2:1;
对所述人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将所述照片样本集和所述人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;
在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将所述第二照片样本集和所述第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对所述Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型;所述Linknet网络模型的损失函数为其中P为第二人工标注样本集中样本的分布,Q为第二照片样本集中模型预测样本的分布,通过不断优化第二照片样本集中模型预测样本Q,使得第二照片样本集中模型预测样本Q的分布情况逐渐接近第二人工标注样本集中样本P,权重优化函数为Adam:
①mt=β1×mt-1+(1-β1)dx
②vt=β2×vt-1+(1-β2)dx2
其中mt为t时间步的第一动量,vt为t时间步的第二动量,此时动量不再只由当前梯度决定,而是由梯度均值和平方值共同调节,β1,β2为指数衰减率,dx为t-1时间步的梯度,x为权重更新值,α为学习率,ε为避免除数为0的常数,ε=1*10-8;
采集当前需要检测的水稻图像;
利用所述最优模型识别所述当前需要检测的水稻图像,计算所述水稻图像中病斑面积的占比、并对病害情况进行分级;
输出水稻病斑识别结果以及病害分级情况。
2.根据权利要求1所述的一种基于深度学习的水稻病斑检测方法,其特征在于,所述照片样本集为无人机载摄像头抓取的DNG格式无损照片。
3.根据权利要求2所述的一种基于深度学习的水稻病斑检测方法,其特征在于,所述格式转换是指将所述DNG格式转换为PNG格式。
4.根据权利要求1所述的一种基于深度学习的水稻病斑检测方法,其特征在于,将所述照片样本集和所述人工标注样本集按照比例进行切分形成第二照片样本集和第二人工标注样本集的比例为1:100。
5.一种基于深度学习的水稻病斑检测系统,其特征在于,包括,
样本数据集创建模块,利用所述样本数据集创建模块创建照片样本集和人工标注样本集,所述照片样本集中的样本集为采集的原始图片集,所述人工标注样本集中的样本集为对所述原始图片进行格式转换、人工标注叶片病斑处理后的图片集,所述样本数据集中所述照片样本集和所述人工标注样本集比例为2:1;
图像预处理模块,所述图像预处理模块对所述人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将所述照片样本集和所述人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;
识别模型训练模块,在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将所述第二照片样本集和所述第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对所述Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为最优模型;所述Linknet网络模型的损失函数为其中P为第二人工标注样本集中样本的分布,Q为第二照片样本集中模型预测样本的分布,通过不断优化第二照片样本集中模型预测样本Q,使得第二照片样本集中模型预测样本Q的分布情况逐渐接近第二人工标注样本集中样本P,权重优化函数为Adam:
①mt=β1×mt-1+(1-β1)dx
②νt=β2×νt-1+(1-β2)dx2
其中mt为t时间步的第一动量,vt为t时间步的第二动量,此时动量不再只由当前梯度决定,而是由梯度均值和平方值共同调节,β1,β2为指数衰减率,dx为t-1时间步的梯度,x为权重更新值,α为学习率,ε为避免除数为0的常数,ε=1*10-8;
图像采集模块,利用所述图像采集模块采集当前需要检测的水稻图像;
病斑智能识别模块,所述病斑智能识别模块利用所述最优模型识别所述当前需要检测的水稻图像,计算所述水稻图像中病斑面积的占比、并对病害情况进行分级;
结果输出模块,输出水稻病斑识别结果以及病害分级情况。
6.根据权利要求5所述的一种基于深度学习的水稻病斑检测系统,其特征在于,所述照片样本集为无人机载摄像头抓取的DNG格式无损照片。
7.根据权利要求6所述的一种基于深度学习的水稻病斑检测系统,其特征在于,所述格式转换是指将所述DNG格式转换为PNG格式。
8.根据权利要求5所述的一种基于深度学习的水稻病斑检测系统,其特征在于,将所述照片样本集和所述人工标注样本集按照比例进行切分形成第二照片样本集和第二人工标注样本集的比例为1:100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811043736.1A CN109165623B (zh) | 2018-09-07 | 2018-09-07 | 基于深度学习的水稻病斑检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811043736.1A CN109165623B (zh) | 2018-09-07 | 2018-09-07 | 基于深度学习的水稻病斑检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165623A CN109165623A (zh) | 2019-01-08 |
CN109165623B true CN109165623B (zh) | 2020-08-04 |
Family
ID=64894649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811043736.1A Active CN109165623B (zh) | 2018-09-07 | 2018-09-07 | 基于深度学习的水稻病斑检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165623B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801275B (zh) * | 2019-01-11 | 2021-09-10 | 北京邮电大学 | 基于图像识别的马铃薯病害检测方法和系统 |
CN109979546A (zh) * | 2019-04-04 | 2019-07-05 | 成都大学 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
CN110298348B (zh) * | 2019-06-12 | 2020-04-28 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 |
CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
CN110851630A (zh) * | 2019-10-14 | 2020-02-28 | 武汉市慧润天成信息科技有限公司 | 一种深度学习标注样本的管理系统及方法 |
CN111553240B (zh) * | 2020-04-24 | 2021-03-16 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
CN111862190B (zh) * | 2020-07-10 | 2024-04-05 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
CN112614573A (zh) * | 2021-01-27 | 2021-04-06 | 北京小白世纪网络科技有限公司 | 基于病理图像标注工具的深度学习模型训练方法及装置 |
CN113657294B (zh) * | 2021-08-19 | 2022-07-29 | 中化现代农业有限公司 | 一种基于计算机视觉的作物病虫害检测方法及系统 |
CN113924968B (zh) * | 2021-11-15 | 2023-03-17 | 中国农业科学院都市农业研究所 | 一种用于植物工厂的无人生产作业系统及方法 |
CN114814102B (zh) * | 2022-04-28 | 2023-01-20 | 广东技术师范大学 | 一种基于活动轨迹序列的水稻白叶枯病预警方法和装置 |
CN116012721B (zh) * | 2023-03-28 | 2023-06-30 | 浙江大学湖州研究院 | 一种基于深度学习的水稻叶片病斑检测方法 |
CN116863340A (zh) * | 2023-08-16 | 2023-10-10 | 安徽荃银超大种业有限公司 | 基于深度学习的水稻叶片病害识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
CN106991666A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 一种适用于多尺寸图片信息的病害图像识别方法 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
-
2018
- 2018-09-07 CN CN201811043736.1A patent/CN109165623B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
CN106991666A (zh) * | 2017-02-24 | 2017-07-28 | 中国科学院合肥物质科学研究院 | 一种适用于多尺寸图片信息的病害图像识别方法 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107392091A (zh) * | 2017-06-09 | 2017-11-24 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的银杏叶片患病程度识别;刘瑾蓉;《中国农业科技导报》;20180615;第55-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109165623A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN111695514B (zh) | 一种基于深度学习的雾天下车辆检测方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN108154102A (zh) | 一种道路交通标志识别方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN114973002A (zh) | 一种基于改进的YOLOv5的麦穗检测方法 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
CN104239852A (zh) | 一种基于运动平台的红外行人检测方法 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
CN116486296A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and system of rice disease spot detection based on deep learning Effective date of registration: 20201210 Granted publication date: 20200804 Pledgee: Guangzhou Baidu venture capital artificial intelligence equity investment partnership (L.P.) Pledgor: BEIJING MAIFEI TECHNOLOGY Co.,Ltd. Registration number: Y2020990001432 |