CN109522858A - 植物疾病检测方法、装置及终端设备 - Google Patents

Abstract

本申请适用于通信技术领域，提供了植物疾病检测方法、装置及终端设备，包括：获取包括植物的非健康部位的图片；根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；输出所述植物的疾病类型。通过上述方法能够提高疾病类型的诊断的及时性。

Description

植物疾病检测方法、装置及终端设备

技术领域

本申请属于通信技术领域，尤其涉及植物疾病检测方法、装置、终端设备及计算机可读存储介质。

背景技术

随着人们生活水平的提高，当前家庭种植植物的情况也越来越普遍。

目前，大部分家庭除了传统的植物种植方法外，还引入了一些智能检测设备，比如，通过温度传感器、湿度传感器等各种物理设备采集植物的数据，再将采集的植物的数据发送给软件应用分析，根据分析结果获取植物的生长情况，但由于温度传感器、湿度传感器能够采集的数据较少，因此导致得到的分析结果的信息量也较少，从而难以满足用户的需求。

故，需要一种新的方法以解决上述技术问题。

发明内容

有鉴于此，本申请实施例提供了植物疾病检测方法、装置、终端设备及计算机可读存储介质，以解决现有技术中仅通过传感器采集的数据对植物进行分析，从而导致分析结果包含的信息量过少的问题。

本申请实施例的第一方面提供了一种植物疾病检测方法，包括：

获取包括植物的非健康部位的图片；

根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

输出所述植物的疾病类型。

本申请实施例的第二方面提供了一种植物疾病检测装置，包括：

图片获取单元，用于获取包括植物的非健康部位的图片；

疾病类型识别单元，用于根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

疾病类型输出单元，用于输出所述植物的疾病类型。

本申请实施例的第三方面提供了一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述植物疾病检测方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述植物疾病检测方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

由于可根据包括非健康部位的图片识别该植物的疾病类型，因此，无需外出就能确定该植物的疾病类型，从而提高疾病类型的诊断的及时性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的第一种植物疾病检测方法的流程示意图；

图2是本申请实施例提供的第二种植物疾病检测方法的流程示意图；

图3是本申请实施例提供的第三种植物疾病检测方法的流程示意图；

图4是本申请实施例提供的一种植物疾病检测装置的结构示意图；

图5是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

图1示出了本申请实施例提供的第一种植物疾病检测方法的流程示意图，详述如下：

步骤S11，获取包括植物的非健康部位的图片；

该步骤的图片可从移动终端的存储器获取，或者，通过移动终端的拍摄应用(如照相机)直接拍摄植物得到。其中，移动终端包括手机、平板电脑等。

其中，植物的非健康部位是指植物可能患病的部位，比如，叶子、根茎等。

在一些实施例中，为了提高植物的疾病类型的识别精确性，获取的图片的数量大于或等于2。

步骤S12，根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

该步骤中，根据非健康部位的以下任一种信息识别植物的疾病类型：非健康部位的具体形态(如是否溃烂，在溃烂时存在的溃烂程度)、颜色、稀疏程度(如叶子的稀疏程度)、纹理形态等。

在一些实施例中，由于植物生病时，其在不同部位的表现形式很可能是不同的，因此，为了提高识别的精确性，可首先识别该非健康部位属于该植物的什么部位，再根据非健康部位的识别结果以及该非健康部位的以下任一种信息识别植物的疾病类型：非健康部位的具体形态(如是否溃烂，在溃烂时存在的溃烂程度)、颜色、稀疏程度(如叶子的稀疏程度)、纹理形态等。

在一些实施例中，若获取的图片的数量大于或等于2，则该步骤S12中，分别根据所述植物的非健康部位的图片识别所述植物的疾病类型，得到不同图片的识别结果，对得到的不同图片的识别结果进行分类统计，确定具有最多相同识别结果的一个分类，若该分类的识别结果的个数大于预设个数阈值，则将该同一类的识别结果的疾病类型作为最终的植物的疾病类型，以便步骤S13输出。例如，若有,4张图片，其中，3张图片都对应同一类的识别结果A，另1张图片对应的是另一类的识别结果B，预设个数阈值为2，由于3大于2，因此将A作为最终的植物的疾病类型。

在一些实施例中，若获取的多个图片中，存在清晰度小于预设清晰度阈值的图片，则删除清晰度小于预设清晰度阈值的图片，再识别剩余的清晰度满足要求且包括植物的非健康部位的图片的疾病类型。

步骤S13，输出所述植物的疾病类型。

该步骤中，通过语音输出所述植物的疾病类型；或者，通过显示屏显示所述植物的疾病类型，以达到输出植物的疾病类型的目的。

本申请实施例中，获取包括植物的非健康部位的图片，根据所述包括植物的非健康部位的图片识别所述植物的疾病类型，输出所述植物的疾病类型。由于可根据包括非健康部位的图片识别该植物的疾病类型，因此，无需外出就能确定该植物的疾病类型，从而提高疾病类型的诊断的及时性。

为了能够准确识别出植物的疾病类型，图2示出了本申请实施例提供的第二种植物疾病检测方法的流程示意图，详述如下：

步骤S21，获取包括植物的非健康部位的图片；

该步骤与上述的步骤S11相同，此处不再赘述。

步骤S22，将所述包括植物的非健康部位的图片输入经过训练的深度学习模型，得到所述深度学习模型输出的疾病类型，所述深度学习模型经过以下方式训练：采用包括不同植物的不同非健康部位的图片作为训练集，且所述训练集包括植物专家对所述不同植物的不同非健康部位诊断后得到的疾病类型。

本实施例中，为了能够识别出不同植物的不同疾病类型，则预先获取具有不同疾病类型的不同植物的图片集作为训练集。当然，为了保证训练集中的植物的疾病类型的准确性，训练集中的疾病类型需要植物方面的专家确认。例如，通过植物方面的专家上传具有不同疾病类型的不同植物的图片，将专家上传的图片作为用于训练深度学习模型的训练集；或者，在用户上传了图片后，植物方面的专家判断该图片包括的植物的疾病类型，再将判断结果以及对应的图片作为用于训练深度学习模型的训练集。

步骤S23，输出所述植物的疾病类型。

该步骤与步骤S13相同，此处不再赘述。

本实施例中，在获取包括植物的非健康部位的图片后，再通过深度学习模型识别该图片的疾病类型，简单快捷，提高识别结果的准确性。

由于不同植物的疾病类型的表现形式不同，因此，为了能够准确识别出植物的疾病类型，图3示出了本申请实施例提供的第三种植物疾病检测方法的流程示意图，详述如下：

步骤S31，获取包括植物的非健康部位的图片；

该步骤与上述的步骤S11相同，此处不再赘述。

步骤S32，根据所述包括植物的非健康部位的图片识别所述植物的疾病类型以及植物类型；

该步骤中，在识别植物的疾病类型时还识别该植物的植物类型。

在一些实施例中，可通过经过训练的深度学习模型同时识别植物的疾病类型和植物类型。具体地，预先获取具有不同疾病类型、不同植物类型的图片集作为训练集，再用该训练集训练深度模型。

步骤S33，输出所述植物的疾病类型以及植物类型。

本实施例中，在输出植物的疾病类型时还输出该植物的植物类型，这样，方便用户确认疾病类型的识别结果的准确性，比如，当用户判断出输出的植物类型是错误的时候，表明输出的疾病类型的可信性较低。进一步地，用户可通过对植物的疾病类型的再次识别，以获得准确的疾病类型的判断结果。

在一些实施例中，为了提高植物类型的识别的准确性，所述植物疾病检测方法还包括：

获取包括植物的健康部位的图片，根据所述包括植物的健康部位的图片识别所述植物的植物类型；

对应地，所述步骤S13(或步骤S23，或步骤S33)具体为：

输出所述植物的疾病类型和所述植物类型。

本实施例中，通过识别植物的健康部位的图片识别植物的植物类型，由于健康部位的植物特征不会发生变异，比如，在颜色、纹理、稀疏程度等没有发生变异，因此，通过识别植物的健康部位的图片识别植物的植物类型能够提高植物类型的识别的准确性。

在一些实施例中，为了提高疾病类型的识别准确性，在所述根据所述包括植物的健康部位的图片识别所述植物的植物类型之后，包括：

显示所述植物的植物类型，接收用户对显示的所述植物类型的判断信息；

对应地，所述步骤S11(或步骤S21)具体为：

若接收的判断信息包括确认信息，获取包括植物的非健康部位的图片。

本实施例中，可通过经过训练的深度学习模型识别植物的植物类型，只有在植物类型的识别结果是正确的情况下，才获取包括植物的非健康部位的图片，在已获知准确的植物类型的情况下再对植物的疾病类型进行识别，从而提高疾病类型的识别准确性。

在一些实施例中，所述植物疾病检测方法还包括：

若根据所述包括植物的非健康部位的图片不能识别所述植物的疾病类型，获取所述包括植物的非健康部位的图片所在的季节信息和/或地理区域信息；

根据获取的季节信息和/或地理区域信息估计所述植物的疾病类型；

输出估计的所述植物的疾病类型。

本实施例中，由于植物的疾病类型与季节和或地理区域有关，因此，若不能识别植物的疾病类型，则根据拍摄该植物时所在的季节信息，或者，根据拍摄该植物所作的地理区域信息，或者，根据拍摄该植物时所在的季节信息和拍摄该植物所作的地理区域信息估计该植物的疾病类型。

在一些实施例中，为了体现植物为不同疾病类型的可能性高低，所述输出估计的所述植物的疾病类型，包括：

若估计的所述植物的疾病类型的个数大于1，则结合获取的季节信息和/或地理区域信息确定所述植物是估计的疾病类型可能性；

根据所述植物是估计的疾病类型可能性，从大到小输出估计的所述植物的疾病类型。

本实施例中，若疾病类型为估计的疾病类型，则按照可能性的大小，从大到小输出估计的植物的疾病类型，例如，假设植物的疾病类型为A的可能性为80％，为B的可能性为70％，为C的可能性为60％，则输出的疾病类型的顺序为A、B、C。在显示这些疾病类型时，也是按照疾病类型的可能性，从大到小的顺序进行显示。

在一些实施例中，在步骤S13(或步骤S23，或步骤S33)之前或之后，包括：

结合获取的地理区域信息，推荐植物医院或购买链接。

其中，购买链接是治疗识别的疾病类型的药物对应的链接。

进一步地，输出识别的疾病类型的介绍以及养护建议。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

与上述实施例提供的植物疾病检测方法对应，本实施例提供了一种植物疾病检测装置，该植物疾病检测装置可应用于移动终端中。为了便于说明，仅示出了与本实施例相关的部分：

该植物疾病检测装置4包括：图片获取单元41、疾病类型识别单元42、疾病类型输出单元43。其中：

图片获取单元41，用于获取包括植物的非健康部位的图片；

其中，图片可从移动终端的存储器获取，或者，通过移动终端的拍摄应用(如照相机)直接拍摄植物得到。

在一些实施例中，为了提高植物的疾病类型的识别精确性，获取的图片的数量大于或等于2。

疾病类型识别单元42，用于根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

具体地，根据非健康部位的以下任一种信息识别植物的疾病类型：非健康部位的具体形态(如是否溃烂，在溃烂时存在的溃烂程度)、颜色、稀疏程度(如叶子的稀疏程度)、纹理形态等。

在一些实施例中，由于植物生病时，其在不同部位的表现形式很可能是不同的，因此，为了提高识别的精确性，上述疾病类型识别单元42具体用于，首先识别该非健康部位属于该植物的什么部位，再根据非健康部位的识别结果以及该非健康部位的以下任一种信息识别植物的疾病类型：非健康部位的具体形态(如是否溃烂，在溃烂时存在的溃烂程度)、颜色、稀疏程度(如叶子的稀疏程度)、纹理形态等。

在一些实施例中，若获取的图片的数量大于或等于2，则上述疾病类型识别单元42具体用于，分别根据所述植物的非健康部位的图片识别所述植物的疾病类型，得到不同图片的识别结果，对得到的不同图片的识别结果进行分类统计，确定具有最多相同识别结果的一个分类，若该分类的识别结果的个数大于预设个数阈值，则将该同一类的识别结果的疾病类型作为最终的植物的疾病类型。

在一些实施例中，上述疾病类型识别单元42具体用于，若获取的多个图片中，存在清晰度小于预设清晰度阈值的图片，则删除清晰度小于预设清晰度阈值的图片，再识别剩余的清晰度满足要求且包括植物的非健康部位的图片的疾病类型。

疾病类型输出单元43，用于输出所述植物的疾病类型。

本申请实施例中，由于可根据包括非健康部位的图片识别该植物的疾病类型，因此，无需外出就能确定该植物的疾病类型，从而提高疾病类型的诊断的及时性。

在一些实施例中，上述疾病类型识别单元42具体用于，将所述包括植物的非健康部位的图片输入经过训练的深度学习模型，得到所述深度学习模型输出的疾病类型，所述深度学习模型经过以下方式训练：采用包括不同植物的不同非健康部位的图片作为训练集，且所述训练集包括植物专家对所述不同植物的不同非健康部位诊断后得到的疾病类型。

在一些实施例中，上述疾病类型识别单元42具体用于，根据所述包括植物的非健康部位的图片识别所述植物的疾病类型以及植物类型；

对应地，所述疾病类型输出单元43具体为：

输出所述植物的疾病类型以及植物类型。

在一些实施例中，所述植物疾病检测装置还包括：

包括健康部位的图片获取单元，用于获取包括植物的健康部位的图片，根据所述包括植物的健康部位的图片识别所述植物的植物类型；

对应地，所述疾病类型输出单元43具体为：

输出所述植物的疾病类型和所述植物类型。

在一些实施例中，所述植物疾病检测装置4还包括：

植物类型显示单元，用于显示所述植物的植物类型，接收用户对显示的所述植物类型的判断信息；

对应地，所述图片获取单元41具体为：

若接收的判断信息包括确认信息，获取包括植物的非健康部位的图片。

在一些实施例中，所述植物疾病检测装置4还包括：

季节信息获取单元，用于若根据所述包括植物的非健康部位的图片不能识别所述植物的疾病类型，获取所述包括植物的非健康部位的图片所在的季节信息和/或地理区域信息；

疾病类型估计单元，用于根据获取的季节信息和/或地理区域信息估计所述植物的疾病类型；

估计的疾病类型输出单元，用于输出估计的所述植物的疾病类型。

在一些实施例中，所述估计的疾病类型输出单元包括：

疾病类型可能性确定模块，用于若估计的所述植物的疾病类型的个数大于1，则结合获取的季节信息和/或地理区域信息确定所述植物是估计的疾病类型可能性；

疾病类型排序模块，用于根据所述植物是估计的疾病类型可能性，从大到小输出估计的所述植物的疾病类型。

图5是本申请一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个植物疾病检测方法实施例中的步骤，例如图1所示的步骤S11至S13。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至43的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成图片获取单元、疾病类型识别单元、疾病类型输出单元，各单元具体功能如下：

图片获取单元，用于获取包括植物的非健康部位的图片；

疾病类型识别单元，用于根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

疾病类型输出单元，用于输出所述植物的疾病类型。

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种植物疾病检测方法，其特征在于，包括：

获取包括植物的非健康部位的图片；

根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

输出所述植物的疾病类型。

2.如权利要求1所述的植物疾病检测方法，其特征在于，所述根据所述包括植物的非健康部位的图片识别所述植物的疾病类型具体包括：

将所述包括植物的非健康部位的图片输入经过训练的深度学习模型，得到所述深度学习模型输出的疾病类型，所述深度学习模型经过以下方式训练：采用包括不同植物的不同非健康部位的图片作为训练集，且所述训练集包括植物专家对所述不同植物的不同非健康部位诊断后得到的疾病类型。

3.如权利要求1所述的植物疾病检测方法，其特征在于，所述根据所述包括植物的非健康部位的图片识别所述植物的疾病类型，包括：

根据所述包括植物的非健康部位的图片识别所述植物的疾病类型以及植物类型；

对应地，所述输出所述植物的疾病类型具体为：

输出所述植物的疾病类型以及植物类型。

4.如权利要求1所述的植物疾病检测方法，其特征在于，所述植物疾病检测方法还包括：

获取包括植物的健康部位的图片，根据所述包括植物的健康部位的图片识别所述植物的植物类型；

对应地，所述输出所述植物的疾病类型具体为：

输出所述植物的疾病类型和所述植物类型。

5.如权利要求4所述的植物疾病检测方法，其特征在于，在所述根据所述包括植物的健康部位的图片识别所述植物的植物类型之后，包括：

显示所述植物的植物类型，接收用户对显示的所述植物类型的判断信息；

对应地，所述获取包括植物的非健康部位的图片具体为：

若接收的判断信息包括确认信息，获取包括植物的非健康部位的图片。

6.如权利要求1至5任一项所述的植物疾病检测方法，其特征在于，所述植物疾病检测方法还包括：

若根据所述包括植物的非健康部位的图片不能识别所述植物的疾病类型，获取所述包括植物的非健康部位的图片所在的季节信息和/或地理区域信息；

根据获取的季节信息和/或地理区域信息估计所述植物的疾病类型；

输出估计的所述植物的疾病类型。

7.如权利要求6所述的植物疾病检测方法，其特征在于，所述输出估计的所述植物的疾病类型，包括：

若估计的所述植物的疾病类型的个数大于1，则结合获取的季节信息和/或地理区域信息确定所述植物是估计的疾病类型可能性；

根据所述植物是估计的疾病类型可能性，从大到小输出估计的所述植物的疾病类型。

8.一种植物疾病检测装置，其特征在于，包括：

图片获取单元，用于获取包括植物的非健康部位的图片；

疾病类型识别单元，用于根据所述包括植物的非健康部位的图片识别所述植物的疾病类型；

疾病类型输出单元，用于输出所述植物的疾病类型。

9.一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。