CN112001365A - 一种高精度的农作物病虫害识别方法 - Google Patents

一种高精度的农作物病虫害识别方法 Download PDF

Info

Publication number
CN112001365A
CN112001365A CN202011006796.3A CN202011006796A CN112001365A CN 112001365 A CN112001365 A CN 112001365A CN 202011006796 A CN202011006796 A CN 202011006796A CN 112001365 A CN112001365 A CN 112001365A
Authority
CN
China
Prior art keywords
crop
identification method
precision
channel
map
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
CN202011006796.3A
Other languages
English (en)
Inventor
雷印杰
陈浩楠
王浩
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202011006796.3A priority Critical patent/CN112001365A/zh
Publication of CN112001365A publication Critical patent/CN112001365A/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
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种高精度的农作物病虫害识别方法，包括以下步骤：S1、用户输入一张任意尺寸的农作物叶片，缩放到统一尺寸；S2、将步骤S1中得到的图片由RGB通道转换到YCrCb颜色空间；S3、将步骤S2中得到YCrCb颜色空间3通道图片，并入到原始RGB空间，形成6通道的输入，然后经过相应的归一化处理，送入到网络中；S4、将步骤S3中得到的数据送入到本设计提出的网络结构中，经过训练，即可得到预测分类类别和显著图；本发明属于计算机视觉应用领域，考虑到农作物病虫害识别的工作量和专业性，利用深度学习技术来代替传统人工将极大减少成本，并且具有高精度、高速度等优点，且可以将模型离线部署在手机、平板等移动端，方便用户使用。

Description

一种高精度的农作物病虫害识别方法
技术领域
本发明涉及计算机视觉应用领域，特别涉及一种高精度的农作物病虫害识别方法。
背景技术
我国有着广阔的农作物种植面积，其中病虫害对农作物产量的影响最大。当农作物遭受病虫害时，正常的生理机能会遭到破坏，无法正常生长，从而影响最终的产量和经济效益。国内外目前识别农作物病虫害实际采用的方法主要有声测、诱集、近红外等，这些方法由于人工检测效率低下、噪声干扰等原因，很难准确识别出病虫害的种类、密度等信息。
利用图像识别、图像处理等技术来进行病虫害识别早有进展，如在传统机器学习，利用人工设计提取图像特征，如SIFT、HOG、LBF等，然后通过SVM来对提取的特征进行分类达到识别不同种类病虫害的目的。但这些特征的提取算法效率较低，且缺乏高级语义信息，对于相近的病虫害无法准确提取具有区分性的特征，因此无法达到高精度的要求。
发明内容
本发明的主要目的在于提供了一种高精度的农作物病虫害识别方法，可以有效解决背景技术中提出的问题。
为实现上述目的，本发明采取的技术方案为：
一种高精度的农作物病虫害识别方法，包括以下步骤：
S1、用户输入一张任意尺寸的农作物叶片，缩放到统一尺寸；
S2、将步骤S1中得到的图片由RGB通道转换到YCrCb颜色空间；
S3、将步骤S2中得到YCrCb颜色空间3通道图片，并入到原始RGB空间，形成6通道的输入，然后经过相应的归一化处理，送入到网络中；
S4、将步骤S3中得到的数据送入到本设计提出的网络结构中，经过训练，即可得到预测分类类别和显著图。
优选的，所述步骤S1在采集农作物叶片时，需要确保摄像头正对叶片，同时要求光照较为均匀，调整距离摄像头距离，使得叶片位于画面指定区域。
优选的，所述步骤S2、S3中具体的转换过程如式(1)：
Figure BDA0002695371540000021
优选的，所述步骤S4中的网络结构为端到端的“编码-解码”结构，其中编码器负责将输入图像编码为特征图，得到的特征图具有高级语义特征，然后送入到相应的分类器，进行分类；通过上采样+卷积的方式，最终恢复到和原图相同尺寸的显著图。
与现有技术相比，本发明具有如下有益效果：
1.基于单目摄像头完成采集工作，对多种农作物病虫害有很好的辨别能力，并且能识别周围环境的干扰。
2.精度高，对于39类目标(26类病虫害，12类健康植物，1类背景)平均正确率大于98％。
3.速度快，单张图片推理时间小于40毫秒，而采集+预处理+推理+后处理全流程耗时小于100毫秒。
4.模型占用内存小，模型大小可控制在15MB左右。
附图说明
图1为本发明的流程示意图；
图2为本发明的RGB通道转换到YCrCb颜色空间示意图；
图3为本发明的网络结构图；
图4为本发明的空间注意力模块示意图；
图5为本发明的显著图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
一种高精度的农作物病虫害识别方法，包括以下步骤：
S1、用户输入一张任意尺寸的农作物叶片，缩放到统一尺寸；
S2、将步骤S1中得到的图片由RGB通道转换到YCrCb颜色空间；
S3、将步骤S2中得到YCrCb颜色空间3通道图片，并入到原始RGB空间，形成6通道的输入，然后经过相应的归一化处理，送入到网络中；
S4、将步骤S3中得到的数据送入到本设计提出的网络结构中，经过训练，即可得到预测分类类别和显著图。
在本实施例中，为了保证分类的准确性，步骤S1在采集农作物叶片时，需要确保摄像头正对叶片，尽量避免过多的背景干扰，同时要求光照较为均匀，调整距离摄像头距离，使得叶片位于画面指定区域，从而可以更好的保证识别的准确性。
在本实施例中，步骤S2、S3中由于某些病虫害区域在RGB颜色空间下观测不够显著，将图片由RGB变换到YCrCb颜色空间后，则可以较为清晰的观察到，因此通过将两种颜色空间下的图片合并为6通道输入，可以明显提高最终的识别精度，具体的转换过程如式(1)：
Figure BDA0002695371540000031
在本实施例中，步骤S4中中的网络结构为端到端的“编码-解码”结构，其中编码器负责将输入图像编码为特征图，得到的特征图具有高级语义特征，然后送入到相应的分类器，进行分类；为了得到病虫害区域的显著图，将生成的特征图送入到解码模块中，通过上采样+卷积的方式，最终恢复到和原图相同尺寸的显著图；为了能够在解码过程中保持原图的细节纹理特征，网络结构中加入了跨连结果，即附图2中的红线，通过将编码阶段的特征与解码阶段的特征拼接，然后经过卷积层，作为下一个解码模块的输入。
需要说明的是，编码模块的主体模块是基于MobileNetV2结构训练得到；MobileNetV2网络结构在CVPR2018中被提出，其是MobileNetV1的改进版，在采用深度可分离卷积的基础上，引入了逆残差和线性瓶颈层结构，其进一步提高了特征提取能力，缓解了特征退化情况。
在解码过程中，每个模块接收前一模块的输出作为输入，然后进行最近邻插值，使得特征图尺寸变为输入的2倍，然后经过一个2x2的卷积，再与来自编码过程中的特征沿通道方向进行拼接。为了得到最终的显著图，本设计引入注意力机制，通过空间注意力模块来计算特征图上的权重分布，代表网络模型对植物病虫害目标所在局部区域的关注度，通过预先设置的权重阈值，获得图像中植物病虫害的局部位置显著图，并作为屏蔽自然场景图像中的复杂背景信息的依据。
对于网络最终输出的特征图，需要经过后处理方能可视化，
Figure BDA0002695371540000041
Figure BDA0002695371540000042
其中V代表最后输出特征图，i，j代表像素坐标，Heatmap即所需的显著图。
训练过程中我们采用交叉熵损失和相似度损失的函数形式来保证不同种类的病虫害之间具有区分性，同时同类之间保持相似性。
Figure BDA0002695371540000043
Figure BDA0002695371540000044
Figure BDA0002695371540000045
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种高精度的农作物病虫害识别方法，其特征在于：包括以下步骤：
S1、用户输入一张任意尺寸的农作物叶片，缩放到统一尺寸；
S2、将步骤S1中得到的图片由RGB通道转换到YCrCb颜色空间；
S3、将步骤S2中得到YCrCb颜色空间3通道图片，并入到原始RGB空间，形成6通道的输入，然后经过相应的归一化处理，送入到网络中；
S4、将步骤S3中得到的数据送入到本设计提出的网络结构中，经过训练，即可得到预测分类类别和显著图。
2.根据权利要求1所述的一种高精度的农作物病虫害识别方法，其特征在于：所述步骤S1在采集农作物叶片时，需要确保摄像头正对叶片，同时要求光照较为均匀，调整距离摄像头距离，使得叶片位于画面指定区域。
3.根据权利要求1所述的一种高精度的农作物病虫害识别方法，其特征在于：所述步骤S2、S3中具体的转换过程如式(1)：
Figure FDA0002695371530000011
4.根据权利要求1所述的一种高精度的农作物病虫害识别方法，其特征在于：所述步骤S4中的网络结构为端到端的“编码-解码”结构，其中编码器负责将输入图像编码为特征图，得到的特征图具有高级语义特征，然后送入到相应的分类器，进行分类；通过上采样+卷积的方式，最终恢复到和原图相同尺寸的显著图。
CN202011006796.3A 2020-09-22 2020-09-22 一种高精度的农作物病虫害识别方法 Pending CN112001365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011006796.3A CN112001365A (zh) 2020-09-22 2020-09-22 一种高精度的农作物病虫害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011006796.3A CN112001365A (zh) 2020-09-22 2020-09-22 一种高精度的农作物病虫害识别方法

Publications (1)

Publication Number Publication Date
CN112001365A true CN112001365A (zh) 2020-11-27

Family

ID=73475624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011006796.3A Pending CN112001365A (zh) 2020-09-22 2020-09-22 一种高精度的农作物病虫害识别方法

Country Status (1)

Country Link
CN (1) CN112001365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101646068A (zh) * 2009-09-07 2010-02-10 中国农业大学 植物病虫害信息获取系统及方法
CN105938564A (zh) * 2016-04-29 2016-09-14 无锡中科智能农业发展有限责任公司 基于主成分分析和神经网络的水稻病害识别方法及系统
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107016692A (zh) * 2017-03-24 2017-08-04 南京航空航天大学 一种基于计算机视觉的运动阴影检测方法
CN109344699A (zh) * 2018-08-22 2019-02-15 天津科技大学 基于分层深度卷积神经网络的冬枣病害识别方法
CN110188635A (zh) * 2019-05-16 2019-08-30 南开大学 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN110309880A (zh) * 2019-07-01 2019-10-08 天津工业大学 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法
CN110543801A (zh) * 2018-05-29 2019-12-06 北京林业大学 一种基于神经网络及无人机航拍图像的油松虫害检测方法、系统及装置
CN110770752A (zh) * 2018-09-04 2020-02-07 安徽中科智能感知产业技术研究院有限责任公司 多尺度特征融合网络结合定位模型的害虫自动计数方法
CN110782412A (zh) * 2019-10-28 2020-02-11 深圳市商汤科技有限公司 图像处理方法及装置、处理器、电子设备及存储介质
CN110866907A (zh) * 2019-11-12 2020-03-06 中原工学院 基于注意力机制的全卷积网络织物疵点检测方法
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111292330A (zh) * 2020-02-07 2020-06-16 北京工业大学 基于编解码器的图像语义分割方法及装置
CN111539420A (zh) * 2020-03-12 2020-08-14 上海交通大学 基于注意力感知特征的全景图像显著性预测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101646068A (zh) * 2009-09-07 2010-02-10 中国农业大学 植物病虫害信息获取系统及方法
CN105938564A (zh) * 2016-04-29 2016-09-14 无锡中科智能农业发展有限责任公司 基于主成分分析和神经网络的水稻病害识别方法及系统
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107016692A (zh) * 2017-03-24 2017-08-04 南京航空航天大学 一种基于计算机视觉的运动阴影检测方法
CN110543801A (zh) * 2018-05-29 2019-12-06 北京林业大学 一种基于神经网络及无人机航拍图像的油松虫害检测方法、系统及装置
CN109344699A (zh) * 2018-08-22 2019-02-15 天津科技大学 基于分层深度卷积神经网络的冬枣病害识别方法
CN110770752A (zh) * 2018-09-04 2020-02-07 安徽中科智能感知产业技术研究院有限责任公司 多尺度特征融合网络结合定位模型的害虫自动计数方法
CN110188635A (zh) * 2019-05-16 2019-08-30 南开大学 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法
CN110309880A (zh) * 2019-07-01 2019-10-08 天津工业大学 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法
CN110782412A (zh) * 2019-10-28 2020-02-11 深圳市商汤科技有限公司 图像处理方法及装置、处理器、电子设备及存储介质
CN110866907A (zh) * 2019-11-12 2020-03-06 中原工学院 基于注意力机制的全卷积网络织物疵点检测方法
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111292330A (zh) * 2020-02-07 2020-06-16 北京工业大学 基于编解码器的图像语义分割方法及装置
CN111539420A (zh) * 2020-03-12 2020-08-14 上海交通大学 基于注意力感知特征的全景图像显著性预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN112884025B (zh) * 2021-02-01 2022-11-04 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统

Similar Documents

Publication Publication Date Title
Parvathi et al. Detection of maturity stages of coconuts in complex background using Faster R-CNN model
Yu et al. A litchi fruit recognition method in a natural environment using RGB-D images
CN103116749A (zh) 一种基于自建图像库的近红外人脸识别方法
Wang et al. Window zooming–based localization algorithm of fruit and vegetable for harvesting robot
Wang et al. Object instance detection with pruned Alexnet and extended training data
Chen et al. An improved Yolov3 based on dual path network for cherry tomatoes detection
Lv et al. A visual identification method for the apple growth forms in the orchard
CN109086823B (zh) 一种小麦赤霉病病穗率自动统计方法
CN115104133A (zh) 通过使用由半监督方法获得的训练图像的卷积神经网络估计叶子上的生物对象的数量来量化植物侵染
Singh et al. A review on artificial intelligence techniques for disease recognition in plants
Tamou et al. Transfer learning with deep convolutional neural network for underwater live fish recognition
CN113470076A (zh) 一种平养鸡舍黄羽鸡多目标跟踪方法
Liu et al. Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene
Shuai et al. An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds
CN112001365A (zh) 一种高精度的农作物病虫害识别方法
CN105893967B (zh) 基于时序保留性时空特征的人体行为分类检测方法及系统
Poonguzhali et al. Crop condition assessment using machine learning
Yu Deep learning methods for human action recognition
CN111881803A (zh) 一种基于改进YOLOv3的畜脸识别方法
CN116740643A (zh) 一种基于视觉图像的鸟类识别系统及方法
Özyurt et al. A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function
Malik et al. A performance comparison of classification algorithms for rose plants
Liu et al. Learning an optical filter for green pepper automatic picking in agriculture
Kathan et al. Precision Agriculture-Classification Weed From Paddy Using Improved CNN
Liu et al. Video classification of farming activities with motion-adaptive feature sampling

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

Application publication date: 20201127

RJ01 Rejection of invention patent application after publication