CN111414896A - 一种基于卷积神经网络农作物病害图像识别方法 - Google Patents

一种基于卷积神经网络农作物病害图像识别方法 Download PDF

Info

Publication number
CN111414896A
CN111414896A CN202010280895.4A CN202010280895A CN111414896A CN 111414896 A CN111414896 A CN 111414896A CN 202010280895 A CN202010280895 A CN 202010280895A CN 111414896 A CN111414896 A CN 111414896A
Authority
CN
China
Prior art keywords
disease
crop
image
neural network
area
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.)
Pending
Application number
CN202010280895.4A
Other languages
English (en)
Inventor
曹丽英
李博
于合龙
李东明
刘鹤
马丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin Agricultural University
Original Assignee
Jilin Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN202010280895.4A priority Critical patent/CN111414896A/zh
Publication of CN111414896A publication Critical patent/CN111414896A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Catching Or Destruction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：S1、基于无人机定时定点的进行农作物图像的采集；S2、读取农作物图像内载的POS数据，并基于Faster R‑CNN模型实现农作物图像中病害区域的检测定位，生成病害区图像集；S3、基于DSSD_Xception_coco模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。本发明实现了农作物病害的自动检测、识别和统计分析，进而提供对应的防治方案，为提高农作物病害预警奠定基础。

Description

一种基于卷积神经网络农作物病害图像识别方法
技术领域
本发明涉及图像识别领域，具体涉及一种基于卷积神经网络农作物病害图像识别方法。
背景技术
农作物病害是我国主要农业灾难之一，它具有种类多、影响大并时常暴发成灾的特点，不仅对农作物生产造成损失，还会对食品安全产生威胁。因此农作物病害的诊断和鉴定，对保证作物产量、预防食品安全起着重要的作用，同时，实现精准的检测农作物病害以及病害程度的测定是对农作物病害防治的关键。目前，传统的农作物病害识别，主要依赖于历代农民在农业生产过程中积累的经验来进行判断，费时费力的同时，实时性、准确性均较差。
随着深度学习的日益发展，将卷积神经网络应用于农作物病害识别中取得了较好的识别效果。深度学习中的卷积神经网络对图像具有强大的特征提取能力，可以从像素级的原始数据中抽象出语义概念并逐层提取，筛选掉冗余信息，这使得它在提取图像更详尽的全局特征方面有着突出的优势。因此，如何利用卷积神经网络进行农作物病害检测是目前迫切需要解决的问题。
发明内容
本发明的目的在于提供一种基于卷积神经网络农作物病害图像识别方法的处理方法，可以实现农作物病害图像的自动检测、识别和统计分析。
为实现上述目的，本发明采取的技术方案为：
一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：
S1、基于无人机定时定点的进行农作物图像的采集；
S2、读取农作物图像内载的POS数据，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；
S3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；
S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。
进一步地，所述Faster R-CNN 模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。
进一步地，所述病害区图像集中的图像均携带其对应的POS数据的超链接标记。
进一步地，所述无人机按照既定的巡航路线定时定点进行农作物图像的采集，从而可以提高农作物图像的针对性和全面性。
进一步地，还包括根据POS数据实现病害区图像角度调整的步骤，角度调整包括左右翻转、上下翻转、对角线翻转。
进一步地，所述DSSD_Xception_coco 模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
进一步地，还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别的步骤。
进一步地，还包括根据各区域的病害情况基于最邻近分类器输出对应的防治措施的步骤。
进一步地，还包括绘制每个时间段内各区域病害情况变化曲线的步骤。
上述方案中，通过基于Faster R-CNN 模型和基于DSSD_ Xception_coco 模型实现了农作物病害的自动检测、识别和统计分析，进而提供对应的防治方案，为提高农作物病害预警奠定基础。
附图说明
图1为本发明实施例1的流程图。
图2为本发明实施例2的流程图。
图3为本发明实施例3的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：
S1、基于无人机按照既定的巡航路线定时定点的进行农作物图像的采集；每张农作物图像会携带配套的POS数据，所述POS数据包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、读取农作物图像内载的POS数据，根据POS数据实现病害区图像角度调整，角度调整包括左右翻转、上下翻转、对角线翻转，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；所述病害区图像集中的图像均携带其对应的POS数据的超链接标记；
S3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别；
S4、基于孔洞、斑点、害虫轨迹等的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计，以EXCEL表格的形式进行病害识别结果的输出，病害识别结果包括病害区图像、对应的POS数据以及对应的病害识别结果，病害情况统计时以种植区为单位进行统计。
本实施例中，所述Faster R-CNN 模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
实施例2
一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：
S1、基于无人机按照既定的巡航路线定时定点的进行农作物图像的采集；每张农作物图像会携带配套的POS数据，所述POS数据包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、读取农作物图像内载的POS数据，根据POS数据实现病害区图像角度调整，角度调整包括左右翻转、上下翻转、对角线翻转，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；所述病害区图像集中的图像均携带其对应的POS数据的超链接标记；
S3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别，并基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别；
S4、基于孔洞、斑点、害虫轨迹等的检测识别结果、对应的尺寸参数和病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计；以EXCEL表格的形式进行病害识别结果的输出，病害识别结果包括病害区图像、对应的POS数据、对应的病害识别结果以及对应的孔洞、斑点、害虫轨迹等形状尺寸参数，病害情况统计时以种植区为单位进行统计；
S5、根据各区域的病害情况基于最邻近分类器输出对应的防治措施。
本实施例中，所述Faster R-CNN 模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
实施例3
一种基于卷积神经网络农作物病害图像识别方法，包括如下步骤：
S1、基于无人机按照既定的巡航路线定时定点的进行农作物图像的采集；每张农作物图像会携带配套的POS数据，所述POS数据包括纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、读取农作物图像内载的POS数据，根据POS数据实现病害区图像角度调整，角度调整包括左右翻转、上下翻转、对角线翻转，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；所述病害区图像集中的图像均携带其对应的POS数据的超链接标记；
S3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹等的检测识别，并基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别；
S4、基于孔洞、斑点、害虫轨迹等的检测识别结果、对应的尺寸参数和病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计,绘制每个时间段内各区域病害情况变化曲线，以EXCEL表格的形式进行病害识别结果的输出，病害识别结果包括病害区图像、对应的POS数据、对应的病害识别结果以及对应的孔洞、斑点、害虫轨迹等形状尺寸参数，病害情况统计时以种植区为单位进行统计。
本实施例中，所述Faster R-CNN 模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。所述DSSD_Xception_coco模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种基于卷积神经网络农作物病害图像识别方法，其特征在于：包括如下步骤：
S1、基于无人机定时定点的进行农作物图像的采集；
S2、读取农作物图像内载的POS数据，并基于Faster R-CNN 模型实现农作物图像中病害区域的检测定位，生成病害区图像集；
S3、基于DSSD_ Xception_coco 模型实现病害区图像中孔洞、斑点、害虫轨迹的检测识别；
S4、基于孔洞、斑点、害虫轨迹的检测识别结果及其对应的病害区图像的POS数据输出病害识别结果，并完成各区域的病害情况统计。
2.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述Faster R-CNN 模型利用一个在ImageNet上面预训练的ResNet50模型作为基本模型,在coco数据集上进行训练和测试。
3.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述病害区图像集中的图像均携带其对应的POS数据的超链接标记。
4.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述无人机按照既定的巡航路线定时定点进行农作物图像的采集。
5.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：还包括根据POS数据实现病害区图像角度调整的步骤，角度调整包括左右翻转、上下翻转、对角线翻转。
6.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：所述DSSD_Xception_coco 模型采用DSSD目标检测算法，用coco数据集预训练Xception神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹的目标检测模型。
7.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹形状尺寸的识别的步骤。
8.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：还包括根据各区域的病害情况基于最邻近分类器输出对应的防治措施的步骤。
9.如权利要求1所述的一种基于卷积神经网络农作物病害图像识别方法，其特征在于：还包括绘制每个时间段内各区域病害情况变化曲线的步骤。
CN202010280895.4A 2020-04-10 2020-04-10 一种基于卷积神经网络农作物病害图像识别方法 Pending CN111414896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010280895.4A CN111414896A (zh) 2020-04-10 2020-04-10 一种基于卷积神经网络农作物病害图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010280895.4A CN111414896A (zh) 2020-04-10 2020-04-10 一种基于卷积神经网络农作物病害图像识别方法

Publications (1)

Publication Number Publication Date
CN111414896A true CN111414896A (zh) 2020-07-14

Family

ID=71493468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010280895.4A Pending CN111414896A (zh) 2020-04-10 2020-04-10 一种基于卷积神经网络农作物病害图像识别方法

Country Status (1)

Country Link
CN (1) CN111414896A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN112021052A (zh) * 2020-09-17 2020-12-04 山西农业大学 一种基于化学农药与中华通草蛉联合防控果树山楂叶螨的方法
CN112070089A (zh) * 2020-09-23 2020-12-11 西安交通大学医学院第二附属医院 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统
CN112287863A (zh) * 2020-11-09 2021-01-29 九江职业技术学院 一种计算机人像识别系统
CN113158736A (zh) * 2021-01-21 2021-07-23 景德镇学院 一种基于深度学习的手势识别辅助交流系统
CN113283287A (zh) * 2021-04-06 2021-08-20 安徽农业大学 一种基于cnn算法的玉米病害防治无人机的使用方法
CN113395661A (zh) * 2021-06-30 2021-09-14 吉林农业大学 一种基于深度神经网络的室内定位系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377474A (zh) * 2018-09-17 2019-02-22 苏州大学 一种基于改进Faster R-CNN的黄斑定位方法
CN109684906A (zh) * 2018-05-31 2019-04-26 北京林业大学 基于深度学习的检测红脂大小蠹的方法
CN110717903A (zh) * 2019-09-30 2020-01-21 天津大学 一种利用计算机视觉技术进行农作物病害检测的方法
CN110827273A (zh) * 2019-11-14 2020-02-21 中南大学 一种基于区域卷积神经网络的茶叶病害检测方法
CN110852282A (zh) * 2019-11-13 2020-02-28 榆林学院 一种基于机器视觉的农田病害监测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684906A (zh) * 2018-05-31 2019-04-26 北京林业大学 基于深度学习的检测红脂大小蠹的方法
CN109377474A (zh) * 2018-09-17 2019-02-22 苏州大学 一种基于改进Faster R-CNN的黄斑定位方法
CN110717903A (zh) * 2019-09-30 2020-01-21 天津大学 一种利用计算机视觉技术进行农作物病害检测的方法
CN110852282A (zh) * 2019-11-13 2020-02-28 榆林学院 一种基于机器视觉的农田病害监测系统
CN110827273A (zh) * 2019-11-14 2020-02-21 中南大学 一种基于区域卷积神经网络的茶叶病害检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋丽娟: "基于图像的农作物病害识别关键算法研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》, no. 2, 15 February 2019 (2019-02-15), pages 138 - 100 *
王翰林 等: "基于Faster R-CNN 的复杂背景下的人脸检测", 《现代计算机(专业版)》, no. 3, 5 March 2019 (2019-03-05), pages 82 - 86 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914914A (zh) * 2020-07-21 2020-11-10 上海理想信息产业（集团）有限公司 一种病虫害的识别方法、装置、设备和存储介质
CN112021052A (zh) * 2020-09-17 2020-12-04 山西农业大学 一种基于化学农药与中华通草蛉联合防控果树山楂叶螨的方法
CN112070089A (zh) * 2020-09-23 2020-12-11 西安交通大学医学院第二附属医院 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统
CN112287863A (zh) * 2020-11-09 2021-01-29 九江职业技术学院 一种计算机人像识别系统
CN113158736A (zh) * 2021-01-21 2021-07-23 景德镇学院 一种基于深度学习的手势识别辅助交流系统
CN113283287A (zh) * 2021-04-06 2021-08-20 安徽农业大学 一种基于cnn算法的玉米病害防治无人机的使用方法
CN113395661A (zh) * 2021-06-30 2021-09-14 吉林农业大学 一种基于深度神经网络的室内定位系统
CN113395661B (zh) * 2021-06-30 2023-02-10 吉林农业大学 一种基于深度神经网络的室内定位系统

Similar Documents

Publication Publication Date Title
CN111414896A (zh) 一种基于卷积神经网络农作物病害图像识别方法
CN113538390B (zh) 一种柚子病虫害的快速识别方法
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
CN111784721B (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN111414894A (zh) 一种基于遥感图像的农作物病害识别方法
CN111727457B (zh) 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质
Huang et al. Deep localization model for intra-row crop detection in paddy field
CN104881865A (zh) 基于无人机图像分析的森林病虫害监测预警方法及其系统
CN115272828B (zh) 一种基于注意力机制的密集目标检测模型训练方法
CN113657326A (zh) 一种基于多尺度融合模块和特征增强的杂草检测方法
CN107808376A (zh) 一种基于深度学习的举手检测方法
CN116563205A (zh) 基于小目标检测和改进YOLOv5的麦穗计数检测方法
CN114399799A (zh) 一种基于YOLOv5网络的口罩佩戴检测方法
CN116681929A (zh) 一种麦类作物病害图像识别方法
CN111986149A (zh) 一种基于卷积神经网络的植物病虫害检测方法
CN115330833A (zh) 一种改进多目标跟踪的果实产量估算方法
CN118097465A (zh) 一种基于无人机图像和深度学习的田间稻穗定位识别方法
CN118262149A (zh) 一种基于深度学习的农作物病虫害图像识别方法与系统
Kumar Deep learning to detect plant diseases
Turečková et al. Slicing aided large scale tomato fruit detection and counting in 360-degree video data from a greenhouse
CN117593252A (zh) 一种作物病害识别方法、计算机设备及存储介质
CN112597907A (zh) 基于深度学习的柑橘红蜘蛛虫害的识别方法
CN117218534A (zh) 一种农作物叶部病害识别方法
CN115965875A (zh) 一种农作物病虫害智能监控方法及系统
Lin et al. A Framework for Single-Panicle Litchi Flower Counting by Regression with Multitask Learning

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200714