CN114092457B - 一种用于农作物病虫害检测的方法及系统 - Google Patents
一种用于农作物病虫害检测的方法及系统 Download PDFInfo
- Publication number
- CN114092457B CN114092457B CN202111423672.XA CN202111423672A CN114092457B CN 114092457 B CN114092457 B CN 114092457B CN 202111423672 A CN202111423672 A CN 202111423672A CN 114092457 B CN114092457 B CN 114092457B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution layer
- crop
- output
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 49
- 201000010099 disease Diseases 0.000 title claims abstract description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 33
- 241000238631 Hexapoda Species 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
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)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Catching Or Destruction (AREA)
Abstract
一种用于农作物病虫害检测的方法及系统,它属于农作物病虫害检测技术领域。本发明解决了现有方法中检测模型训练时需要的训练时间长以及检测的准确率低的问题。本发明根据欧式距离的计算结果判断图像中农作物所属的种类,再对待检测的农作物图像进行分割,获得分割后的子图像,最后将分割后的子图像输入对应的训练好的神经网络模型,与现有的融合农作物分类和病虫害检测功能的深度学习网络相比,本发明所采用的模型的复杂度较低、模型训练需要的时间较短,由于本发明是对待检测的农作物图像进行分割后再输入神经网络模型,可以使神经网络模型更关注于待检测图像的局部特征,提高对病虫害检测的准确率。本发明可以应用于对农作物进行病虫害检测。
Description
技术领域
本发明属于农作物病虫害检测技术领域,具体涉及一种用于农作物病虫害检测的方法及系统。
背景技术
农作物是人类赖以生存的基础,农作物生长情况的好坏将直接影响农作物的产量。但是目前农作物遭受病虫害损害的几率越来越高,这给农民的生产、生活都带来了重大影响,对保障我国粮食的充足供应带来了极大的威胁,因此,解决农作物的病虫害问题便成了当务之急。
为了能够有针对性的对农作物病虫害进行科学合理有效的防治,其前提条件首先是对农作物病虫害的种类进行识别,然后再根据具体的农作物病虫害种类进行有针对性的治理,以提高农作物产量。近些年来,随着深度学习技术的迅速发展,深度学习技术已经在多个领域中取得了广泛的应用,并获得了较好的效果。但是在现有方法中,主要是利用融合了农作物分类和病虫害检测功能的深度学习网络对农作物是否发生病虫害的情况进行检测,这种方法虽然能够实现对农作物是否发生病虫害的检测,但是需要的深度学习网络的模型复杂,因此,模型训练时需要的训练时间会相对较长,而且病虫害检测时是将农作物叶子的整个图像作为检测对象,这样容易弱化掉图像的局部特征,导致对病虫害检测的准确率较低。
发明内容
本发明的目的是为解决在现有方法中,检测模型训练时需要的训练时间长以及检测的准确率低的问题,而提出了一种用于农作物病虫害检测的方法及系统。
本发明为解决上述技术问题所采取的技术方案是:
一种用于农作物病虫害检测的方法,所述方法具体包括以下步骤:
步骤一、采集待检测的农作物图像,并对采集的图像进行锐化处理,获得锐化处理后的图像,再从锐化处理后图像中截取出农作物叶子区域的图像;
步骤二、将步骤一中截取出的图像的尺寸变换至标准尺寸后,获得标准尺寸的图像;
再将获得的标准尺寸图像对齐到参考方向上,获得处理后的图像;
步骤三、基于欧氏距离方法确定出步骤二处理后的图像中包含的农作物所属的种类;
步骤四、对步骤二中处理后的图像进行分割,获得初步分割后的子图像;再对初步分割后的子图像进行合并,获得最终分割后的图像;
步骤五、基于步骤三的分类结果,将最终分割后的图像输入对应的神经网络模型,得到病虫害检测结果。
进一步地,所述步骤三的具体过程为:
步骤三一、以处理后图像的中心为基准,沿圆周方向对处理后图像进行划分,即以处理后图像的中心为圆心,以参考方向作为圆周的起始方向,将整个圆周均分为36份;
步骤三二、分别统计每份内图像中包含的所有像素点,对于第1份内的图像,分别计算出第1份内的图像中包含的每个像素点与中心的欧式距离,再将计算出的欧式距离进行加和,得到第1份内的图像对应的加和结果;
同理,依次对第2份、第3份、…、第36份内的图像进行处理,根据第1份、第2份、第3份、…、第36份内的图像所对应的加和结果的变化规律确定出处理后图像中农作物所属的种类。
进一步地,所述步骤四中,对步骤二中处理后的图像进行分割,获得初步分割后的子图像;其具体过程为:
步骤四一、初始化聚类中心;
步骤四二、根据聚类中心对图像进行初步分割,获得初步分割后的子图像。
进一步地,所述初始化聚类中心的具体过程为:
步骤S1、初始化聚类中心集合O为空集,设置聚类中心的个数为P;
步骤S2、定义像素点集合M={处理后图像的边界点集合N}∪{集合O};
步骤S3、对于处理后图像中、除了集合M之外的任意一个像素点,计算该像素点到集合M的最小距离,分别得到每个像素点到集合M的最小距离后,将最大的最小距离所对应的像素点作为聚类中心添加到集合O中;
步骤S4、迭代步骤S3的过程,获得P个聚类中心后停止迭代。
进一步地,所述步骤四中,对初步分割后的子图像进行合并,获得最终分割后的图像;其具体为:
分别计算出每两个子图像所对应的聚类中心的欧氏距离,若计算出的欧氏距离小于等于设置的距离阈值,则对两个子图像进行合并,否则不将两个子图像进行合并。
进一步地,所述神经网络模型的结构具体为:
神经网络模型包括三个通道,其中:
输入图像在第一个通道内经过第一卷积层的处理;
输入图像在第二个通道内依次经过第二卷积层、第三卷积层和第四卷积层的处理;
输入图像在第三个通道内依次经过第五卷积层、第六卷积层、第七卷积层、第八卷积层和第九卷积层的处理;
并将第一卷积层、第四卷积层和第九卷积层的输出结果进行尺度和通道调整后,对第一卷积层的输出对应的调整结果和第四卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A1;将融合结果A1和第九卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A2;
再将融合结果A2输入全连接层,全连接层的输出结果再经过softmax分类层,通过softmax分类层输出病虫害检测结果。
进一步地,所述对第一卷积层的输出对应的调整结果和第四卷积层的输出对应的调整结果按照权重进行融合;其具体过程为:
将第一卷积层的输出对应的调整结果上的像素点表示为将第一卷积层的输出对应的调整结果的融合权重表示为将第四卷积层的输出对应的调整结果上的像素点表示为将第四卷积层的输出对应的调整结果的融合权重表示为则融合结果A1为:
更进一步地,所述神经网络模型的训练过程为:
对于任意一种农作物,采集该种农作物所对应的全部类型的病虫害图像以及正常生长状态下的图像,利用采集的该种农作物所对应的图像对神经网络模型进行训练,获得训练好的神经网络模型参数;
同理,分别得到每种农作物对应的神经网络模型参数。
一种用于农作物病虫害检测的系统,所述系统用于执行一种用于农作物病虫害检测的方法。
本发明的有益效果是:
本发明根据欧式距离的计算结果判断图像中农作物所属的种类,再对待检测的农作物图像进行分割,获得分割后的子图像,最后将分割后的子图像输入对应的训练好的神经网络模型,与现有的融合农作物分类和病虫害检测功能的深度学习网络相比,本发明的神经网络模型仅用于实现病虫害检测的功能,因此相对于现有的深度学习网络,本发明所采用的模型的复杂度较低、模型训练需要的时间较短,而且由于本发明是对待检测的农作物图像进行分割后再输入神经网络模型,这样可以使神经网络模型更关注于待检测图像的局部特征,提高对病虫害检测的准确率。
附图说明
图1为本发明方法的流程图;
图2为对图像按照圆周方向进行划分的示意图;
图中,参考方向为标准尺寸图像的参考方向;
图3a是玉米大斑病图像;
图3b是玉米青枯病图像;
图3c是玉米小斑病图像。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种用于农作物病虫害检测的方法,所述方法具体包括以下步骤:
步骤一、采集待检测的农作物图像,并对采集的图像进行锐化处理,获得锐化处理后的图像,再从锐化处理后图像中截取出农作物叶子区域的图像;
通过锐化处理可以突出农作物叶子的边界,再根据边界截取出感兴趣区域的图像;
步骤二、将步骤一中截取出的图像的尺寸变换至标准尺寸后,获得标准尺寸的图像;
再将获得的标准尺寸图像对齐到参考方向上,获得处理后的图像;
设置图像尺寸大小,将截取出的图像缩放到设置的尺寸后,再选择参考方向,最后将尺寸缩放后的统一尺寸图像对齐到参考方向上,使图像的主叶脉方向(即叶子最中间的叶脉方向)与参考方向一致,参考方向可以任意给定;
步骤三、基于欧氏距离方法确定出步骤二处理后的图像中包含的农作物所属的种类;
步骤四、对步骤二中处理后的图像进行分割,获得初步分割后的子图像;再对初步分割后的子图像进行合并,获得最终分割后的图像;
步骤五、基于步骤三的分类结果,将最终分割后的图像输入对应的神经网络模型,得到病虫害检测结果。
具体实施方式二:结合图2说明本实施方式。本实施方式与具体实施方式一不同的是,所述步骤三的具体过程为:
步骤三一、以处理后图像的中心为基准,沿圆周方向对处理后图像进行划分,即以处理后图像的中心为圆心,以参考方向作为圆周的起始方向,将整个圆周均分为36份;
将起始方向作为圆周的0°方向,将大于等于0°小于10°的区域内的图像作为分割后的第一份,将大于等于10°小于20°的区域内的图像作为分割后的第二份,以此类推,将大于等于350°小于360°的区域内的图像作为分割后的第三十六份;
步骤三二、分别统计每份内图像中包含的所有像素点,对于第1份内的图像,分别计算出第1份内的图像中包含的每个像素点与中心的欧式距离,再将计算出的欧式距离进行加和,得到第1份内的图像对应的加和结果;
同理,依次对第2份、第3份、…、第36份内的图像进行处理,根据第1份、第2份、第3份、…、第36份内的图像所对应的加和结果的变化规律确定出处理后图像中农作物所属的种类。
通过将图像对齐到参考方向,可以使步骤三的处理结果不受到图像方向的影响,以提高对农作物分类的准确率,而且对于每种农作物的叶子,划分后的第1份、第2份、第3份、…、第36份内的图像所对应的加和结果的变化规律不同,因此,可以根据该特点进行农作物种类识别,进而提高对农作物分类的准确率。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤四中,对步骤二中处理后的图像进行分割,获得初步分割后的子图像;其具体过程为:
步骤四一、初始化聚类中心;
步骤四二、根据聚类中心对图像进行初步分割,获得初步分割后的子图像。
通过对图像进行分割,可以提高后续特征提取时对处理后图像的局部关注能力,以避免进行特征提取时忽略局部特征,提高病虫害检测的准确率。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述初始化聚类中心的具体过程为:
步骤S1、初始化聚类中心集合O为空集,设置聚类中心的个数为P;
步骤S2、定义像素点集合M={处理后图像的边界点集合N}∪{集合O};
步骤S3、对于处理后图像中、除了集合M之外的任意一个像素点,计算该像素点到集合M的最小距离,分别得到每个像素点到集合M的最小距离后,将最大的最小距离所对应的像素点作为聚类中心添加到集合O中;
步骤S4、迭代步骤S3的过程,获得P个聚类中心后停止迭代。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤四中,对初步分割后的子图像进行合并,获得最终分割后的图像;其具体为:
分别计算出每两个子图像所对应的聚类中心的欧氏距离,若计算出的欧氏距离小于等于设置的距离阈值,则对两个子图像进行合并,否则不将两个子图像进行合并。
距离阈值可以根据实际情况设定。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述神经网络模型的结构具体为:
神经网络模型包括三个通道,其中:
输入图像在第一个通道内经过第一卷积层的处理;
输入图像在第二个通道内依次经过第二卷积层、第三卷积层和第四卷积层的处理;
输入图像在第三个通道内依次经过第五卷积层、第六卷积层、第七卷积层、第八卷积层和第九卷积层的处理;
并将第一卷积层、第四卷积层和第九卷积层的输出结果进行尺度和通道调整后,对第一卷积层的输出对应的调整结果和第四卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A1;将融合结果A1和第九卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A2;
再将融合结果A2输入全连接层,全连接层的输出结果再经过softmax分类层,通过softmax分类层输出病虫害检测结果。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述对第一卷积层的输出对应的调整结果和第四卷积层的输出对应的调整结果按照权重进行融合;其具体过程为:
将第一卷积层的输出对应的调整结果上的像素点表示为将第一卷积层的输出对应的调整结果的融合权重表示为将第四卷积层的输出对应的调整结果上的像素点表示为将第四卷积层的输出对应的调整结果的融合权重表示为则融合结果A1为:
其它步骤及参数与具体实施方式一至六之一相同。
其它步骤及参数与具体实施方式一至七之一相同。
同理,对融合结果A1和第九卷积层的输出对应的调整结果按照权重进行融合。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述神经网络模型的训练过程为:
对于任意一种农作物,采集该种农作物所对应的全部类型的病虫害图像以及正常生长状态下的图像,利用采集的该种农作物所对应的图像对神经网络模型进行训练,获得训练好的神经网络模型参数;
同理,分别得到每种农作物对应的神经网络模型参数。
其它步骤及参数与具体实施方式一至八之一相同。
如图3a至图3c所示,分别为玉米的三种病虫害图像,利用玉米的各种病虫害图像对神经网络模型进行训练后,获得训练好的神经网络模型参数,同理,通过训练可以分别获得每种农作物所对应的神经网络模型参数。当确定出待检测的农作物图像中所包含的农作物种类后,将最终分割后的图像输入到神经网络模型中,神经网络模型加载待检测的农作物图像中包含的农作物种类所对应的训练好的参数,再通过神经网络模型输出病虫害检测结果。
具体实施方式十、本实施方式所述的一种用于农作物病虫害检测的系统,所述系统用于执行一种用于农作物病虫害检测的方法。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种用于农作物病虫害检测的方法,其特征在于,所述方法具体包括以下步骤:
步骤一、采集待检测的农作物图像,并对采集的图像进行锐化处理,获得锐化处理后的图像,再从锐化处理后图像中截取出农作物叶子区域的图像;
步骤二、将步骤一中截取出的图像的尺寸变换至标准尺寸后,获得标准尺寸的图像;
再将获得的标准尺寸图像对齐到参考方向上,获得处理后的图像;
步骤三、基于欧氏距离方法确定出步骤二处理后的图像中包含的农作物所属的种类;
所述步骤三的具体过程为:
步骤三一、以处理后图像的中心为基准,沿圆周方向对处理后图像进行划分,即以处理后图像的中心为圆心,以参考方向作为圆周的起始方向,将整个圆周均分为36份;
步骤三二、分别统计每份内图像中包含的所有像素点,对于第1份内的图像,分别计算出第1份内的图像中包含的每个像素点与中心的欧式距离,再将计算出的欧式距离进行加和,得到第1份内的图像对应的加和结果;
同理,依次对第2份、第3份至第36份内的图像进行处理,根据第1份、第2份、第3份至第36份内的图像所对应的加和结果的变化规律确定出处理后图像中农作物所属的种类;
步骤四、对步骤二中处理后的图像进行分割,获得初步分割后的子图像;再对初步分割后的子图像进行合并,获得最终分割后的图像;
步骤五、基于步骤三的分类结果,将最终分割后的图像输入对应的神经网络模型,得到病虫害检测结果。
2.根据权利要求1所述的一种用于农作物病虫害检测的方法,其特征在于,所述步骤四中,对步骤二中处理后的图像进行分割,获得初步分割后的子图像;其具体过程为:
步骤四一、初始化聚类中心;
步骤四二、根据聚类中心对图像进行初步分割,获得初步分割后的子图像。
3.根据权利要求2所述的一种用于农作物病虫害检测的方法,其特征在于,所述初始化聚类中心的具体过程为:
步骤S1、初始化聚类中心集合O为空集,设置聚类中心的个数为P;
步骤S2、定义像素点集合M={处理后图像的边界点集合N}∪{集合O};
步骤S3、对于处理后图像中、除了集合M之外的任意一个像素点,计算该像素点到集合M的最小距离,分别得到每个像素点到集合M的最小距离后,将最大的最小距离所对应的像素点作为聚类中心添加到集合O中;
步骤S4、迭代步骤S3的过程,获得P个聚类中心后停止迭代。
4.根据权利要求3所述的一种用于农作物病虫害检测的方法,其特征在于,所述步骤四中,对初步分割后的子图像进行合并,获得最终分割后的图像;其具体为:
分别计算出每两个子图像所对应的聚类中心的欧氏距离,若计算出的欧氏距离小于等于设置的距离阈值,则对两个子图像进行合并,否则不将两个子图像进行合并。
5.根据权利要求4所述的一种用于农作物病虫害检测的方法,其特征在于,所述神经网络模型的结构具体为:
神经网络模型包括三个通道,其中:
输入图像在第一个通道内经过第一卷积层的处理;
输入图像在第二个通道内依次经过第二卷积层、第三卷积层和第四卷积层的处理;
输入图像在第三个通道内依次经过第五卷积层、第六卷积层、第七卷积层、第八卷积层和第九卷积层的处理;
并将第一卷积层、第四卷积层和第九卷积层的输出结果进行尺度和通道调整后,对第一卷积层的输出对应的调整结果和第四卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A1;将融合结果A1和第九卷积层的输出对应的调整结果按照权重进行融合,获得融合结果A2;
再将融合结果A2输入全连接层,全连接层的输出结果再经过softmax分类层,通过softmax分类层输出病虫害检测结果。
8.根据权利要求7所述的一种用于农作物病虫害检测的方法,其特征在于,所述神经网络模型的训练过程为:
对于任意一种农作物,采集该种农作物所对应的全部类型的病虫害图像以及正常生长状态下的图像,利用采集的该种农作物所对应的图像对神经网络模型进行训练,获得训练好的神经网络模型参数;
同理,分别得到每种农作物对应的神经网络模型参数。
9.一种用于农作物病虫害检测的系统,其特征在于,所述系统用于执行权利要求1至权利要求8之一所述的一种用于农作物病虫害检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423672.XA CN114092457B (zh) | 2021-11-26 | 2021-11-26 | 一种用于农作物病虫害检测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423672.XA CN114092457B (zh) | 2021-11-26 | 2021-11-26 | 一种用于农作物病虫害检测的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092457A CN114092457A (zh) | 2022-02-25 |
CN114092457B true CN114092457B (zh) | 2023-02-03 |
Family
ID=80305067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423672.XA Active CN114092457B (zh) | 2021-11-26 | 2021-11-26 | 一种用于农作物病虫害检测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092457B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570783B2 (en) * | 2005-07-01 | 2009-08-04 | Deere & Company | Method and system for vehicular guidance using a crop image |
CN108364011A (zh) * | 2018-02-05 | 2018-08-03 | 中国民航大学 | PolSAR图像多级特征提取与无监督分类方法 |
KR102526846B1 (ko) * | 2019-10-21 | 2023-04-28 | 배재대학교 산학협력단 | 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 |
CN111179216B (zh) * | 2019-12-03 | 2023-03-28 | 中国地质大学(武汉) | 一种基于图像处理与卷积神经网络的作物病害识别方法 |
CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
-
2021
- 2021-11-26 CN CN202111423672.XA patent/CN114092457B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114092457A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
Latha et al. | Automatic detection of tea leaf diseases using deep convolution neural network | |
CN109800629B (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
CN104834942B (zh) | 基于掩膜分类的遥感影像变化检测方法及系统 | |
CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
Islam et al. | Rice leaf disease recognition using local threshold based segmentation and deep CNN | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
Raza et al. | Deconvolving convolutional neural network for cell detection | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
Tanwar et al. | Tea leaf diseases classification and detection using a convolutional neural network | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN115424093A (zh) | 一种识别眼底图像中细胞的方法及装置 | |
Kundur et al. | Deep convolutional neural network architecture for plant seedling classification | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
CN114092457B (zh) | 一种用于农作物病虫害检测的方法及系统 | |
Diah et al. | Development of Mobile Application for Plant Disease Recognition using Convolutional Neural Network Method | |
CN115187463A (zh) | 一种滑坡遥感影像集超分辨率重建方法和系统 | |
Singh et al. | Tomato crop disease classification using convolution neural network and transfer learning | |
Mishra et al. | Convolutional neural network method for effective plant disease prediction |
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 |