CN116630815A - 一种智慧农业病虫害检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种智慧农业病虫害检测方法。该方法首先获取农作物图像中疑似病虫害植株的区域；采集疑似病虫害植株的植株放大图像；根据植株放大图像中像素点的灰度特征确定每个像素点的局部缺陷特征和植株放大图像的整体缺陷特征；结合局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重；将特征权重作为权重，对像素点的特征值比值加权，得到阈值；基于阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，确定待检测农作物图像；对待检测农作物图像进行病虫害检测。

Description

一种智慧农业病虫害检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种智慧农业病虫害检测方法。

背景技术

农业是国家经济体系的支柱，在经济的整个生命中都起着至关重要的作用。农业产品总量异常庞大，其也会产生很多与农业相关的问题，其中病虫害更是对农业产生重大危害的关键因素之一。定期检测病虫害情况可以帮助农民采取相应的防治措施，减少虫害对农作物的损害，提高农作物的产量和质量。也便于针对性地对农作物施用农药，减少不必要的农药使用，这在保护环境和生态系统的平衡方面非常重要，避免了农药过量使用对土壤、水源和非目标生物造成的污染和损害。同时，随着科技的发展，对于大面积的农业种植若是使用人工检测的方法，不但效率不高并且还会浪费大量的人力物力，因此通过无人机技术来对农作物进行智慧病虫害检测具有重要意义。

目前常见的，通过无人机对农作物进行智慧农业病虫害检测时，通常使用尺度不变特征转换算法（Scale-invariant feature transform，SIFT）对农作物叶片上的特征进行提取，但是在使用SIFT算法寻找特征点时，会将大部分边缘特征点进行排除，而农作物叶片中叶脉也会产生边缘信息，从而导致部分有用信息被排除，导致对农作物进行病虫害检测时的准确性较低。

发明内容

为了解决对农作物进行病虫害检测时的准确性较低的技术问题，本发明的目的在于提供一种智慧农业病虫害检测方法，所采用的技术方案具体如下：

获取农作物图像，从农作物图像中获取疑似病虫害植株的区域；基于疑似病虫害植株的区域，采集疑似病虫害植株的植株放大图像；

根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征；根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重；

基于SIFT算法，确定植株放大图像中每个像素点的特征值比值；

将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像；对待检测农作物图像进行病虫害检测。

优选的，所述结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重，包括：

将植株放大图像对应的最大局部缺陷特征和最小局部缺陷特征的差异，作为植株放大图像的局部极差特征；

选取任意像素点作为目标像素点，获取目标像素点的局部缺陷特征和植株放大图像的整体缺陷特征的差异，作为目标像素点的像素缺陷特征；

将目标像素点的像素缺陷特征和植株放大图像的局部极差特征的比值进行负相关映射，得到目标像素点对应的特征权重。

优选的，所述根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征，包括：

计算每个像素点与对应的所有临近像素点的像素值的标准差，作为植株放大图像中每个像素点的局部缺陷特征。

优选的，所述根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征，包括：

对植株放大图像中所有像素点的局部缺陷特征求平均，得到植株放大图像中的整体缺陷特征。

优选的，每个像素点对应的临近像素点的获取方法为：选取任意像素点作为目标像素点，以目标像素点为中心像素点，以预设边长值为窗口边长的窗口内，除目标像素点外的其他像素点为目标像素点对应的临近像素点。

优选的，所述将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值，包括：

将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值加权求平均，获取疑似病虫害植株的植株放大图像的阈值。

优选的，所述基于SIFT算法，确定植株放大图像中每个像素点的特征值比值，包括：

基于SIFT算法，获取植株放大图像中每个像素点对应的海森矩阵的最大特征值和最小特征值的比值，作为植株放大图像中每个像素点的特征值比值。

优选的，所述利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像，包括：

利用SIFT算法将植株放大图像中筛选出的特征点和标准农作物图像中筛选出的特征点进行匹配得到匹配的准确率；当匹配的准确率大于或等于预设正确阈值时，将对应的植株放大图像作为待检测农作物图像。

优选的，所述获取农作物图像，从农作物图像中获取疑似病虫害植株的区域，包括：

利用训练好的深度学习网络从农作物图像中得到疑似病虫害植株的区域。

优选的，所述对待检测农作物图像进行病虫害检测，包括：

利用训练好的深度学习网络对待检测农作物图像进行病虫害检测。

本发明实施例至少具有如下有益效果：

本发明涉及图像处理技术领域。该方法首先对农作物图像进行分析处理，得到疑似病虫害植株的植株放大图像，该植株放大图像为经过首次处理得到的含有疑似病虫害植株的图像，对该植株放大图像进行后续分析，可以提高对农作物的病虫害检测的效率；根据植株放大图像中像素点的灰度信息确定像素点的局部波动特征和植株放大图像的整体波动特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重，轮廓边缘点因为是处于叶片的边缘，因此周围像素点灰度值的差距比较大，而叶脉边缘点因为处于农作物叶片内部，因此其周围的像素点灰度值差距并不明显，当像素点的周围的灰度信息波动较大时，像素点对应的局部缺陷特征更大，局部异常更明显，此时对该像素点赋予较大的特征权重，以后续实现对属于叶片边缘的像素点进行筛除，但保留叶脉对应的像素点；将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；将特征值信息与灰度值信息进行结合，综合分析找出合适的阈值来对边缘像素点进行筛选。利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像，该待检测农作物图像中的农作物为需要进行病虫害检测的农作物，排除了植株放大图像中的植株为非农作物外的植株；对待检测农作物图像进行病虫害检测。本发明通过结合边缘点像素周围的灰度信息判断产生边缘点的区域所在，从而结合灰度信息来设置特征权重，只排除叶片轮廓区域的边缘像素点，保留叶脉产生的边缘像素点，而不是一味地排除所有边缘像素点，避免了部分有用信息被排除，提高了对农作物进行病虫害检测时的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种智慧农业病虫害检测方法的方法流程图；

图2为本发明一个实施例所提供的植株放大图像的边缘图像的示意图；

图3为本发明一个实施例所提供的一种智慧农业的农作物识别方法的方法流程图。

具体实施方式

一种智慧农业病虫害检测方法实施例：

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智慧农业病虫害检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了一种智慧农业病虫害检测方法的具体实施方法，该方法适用于农作物病虫害检测场景。该场景下农作物为有叶片的农作物。为了解决对农作物进行病虫害检测时的准确性较低的技术问题。本发明通过结合边缘点像素周围的灰度信息判断产生边缘点的区域所在，从而结合灰度信息来设置权重，只排除叶片轮廓区域的边缘像素点，保留叶脉产生的边缘像素点，而不是一味地排除所有边缘像素点，避免了部分有用信息被排除，提高了对农作物进行病虫害检测时的准确性。

下面结合附图具体的说明本发明所提供的一种智慧农业病虫害检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种智慧农业病虫害检测方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取农作物图像，从农作物图像中获取疑似病虫害植株的区域；基于疑似病虫害植株的区域，采集疑似病虫害植株的植株放大图像。

农作物有多种，例如玉米、小麦和芦粟等，在本发明中任意选取一种有叶片的农作物进行分析，例如玉米。农作物中玉米是全世界产量最大的谷物品种，对农业有着重要的意义，而虫害会对玉米的产量造成很大的影响，因此智能虫害检测对于玉米的种植来说具有很大的帮助。

因为很多农作物种植地的范围过大，并且受到虫害的植株很大的概率并不连续并且分布较为零散，因此需要对整个农作物种植地进行检测，如果对每个植株进行拍摄图片，将会浪费大量的时间以及存储空间。所以需要先通过机器学习收集大量遭受过病虫害的农作物叶片的照片，收集相关的特征，利用无人机通过较高的高度俯瞰农作物种植地，找出可能会出现病虫害的植株。首先利用无人机获取农作物图像，从农作物图像中筛选出疑似病虫害植株的区域，具体的：利用训练好的深度学习网络从农作物图像中得到疑似病虫害植株的区域。

通过对疑似病虫害植株的区域的获取，只能初步找到可能会出现问题的植株，且该植株可能为待检测的农作物，也有可能为种植地中的杂草等植物，但是造成这个特征的原因有很多，因此需要进行放大拍摄从而进行问题分析。且由于农作物种植场所的环境较为复杂，因此直接对拍摄出来的图片进行整体分析，则很容易因为环境的影响从而导致分析结果出现问题，进而需要准确的识别出疑似病虫害植株的具体位置，从而对疑似病虫害植株进行近距拍摄，也即放大拍摄，得到疑似病虫害植株的植株放大图像。仅仅只针对疑似病虫害植株区域进行病害分析来提高分析结果的准确性。其中，该植株放大图像为灰度图像。

步骤S200，根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征；根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重。

SIFT算法是通过得到图像中的关键点来找到图像特征，从而进行图像匹配来找到另一幅图片中与之相似的图像，但是植物叶片之间有一定的相似度，因此需要对SIFT算法中的参数根据待检测的农作物叶片的特征来进行限定，从而预防其他植物叶片对待检测的农作物叶片判定的影响，同时提高对于农作物叶片判断的准确性。

想要在复杂的环境中准确地找出每个叶片的具体位置，首先需要利用SIFT算法来得到一个正常无病虫害的农作物叶片的特征信息，因此需要先将一张完整农作物叶片的图像进行灰度化，并对其进行去噪处理，为后续提取特征的操作提供标准农作物图像。

局部影像特征的描述与检测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。因此，SIFT算法对于关键点的提取是非常重要的一个步骤，这些点是一些十分突出的点不会因光照条件的改变而消失，所谓关键点就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。但是植株放大图像整体而言比较单一，可提取的关键点较少，因此需要通过对植株放大图像进行特征分析，通过量化其特征信息从而提取出更有用的关键点来完成算法。

在传统的SIFT算法中，对于边缘点的排除是不分区域的，但是农作物叶片的边缘点除了轮廓以外，大部分都是叶脉产生的边缘点，而叶脉也是对于叶片判定的重要参考部分，因此在进行对边缘点排除时，对于叶脉产生的边缘点应该进行保留，达到只排除轮廓边缘点的效果。

轮廓边缘点因为是处于叶片的边缘，因此周围像素点灰度值的差距比较大，而叶脉边缘点因为处于农作物叶片内部，因此其周围的像素点灰度值差距并不明显，因此可以利用灰度值与边缘点相结合来对边缘点的类型来进行判定。像素点生成的Hessian矩阵会有两个特征值α和β，α为最大特征值，β为最小特征值，其中α>β且α=rβ，两个特征值之间的差距越大，则说明此像素点越接近边缘像素点。将特征值信息与灰度值信息进行结合，综合分析找出合适的阈值来对边缘像素点进行筛选。

首先，对农作物植株的叶片的局部异常情况和整体异常情况进行分析。对叶片的局部异常情况进行分析，具体根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征，该局部缺陷特征反映了农作物植株的叶片的局部异常情况，具体的：计算每个像素点与对应的所有临近像素点的像素值的标准差，作为植株放大图像中每个像素点的局部缺陷特征。

其中，每个像素点对应的临近像素点的获取方法为：选取任意像素点作为目标像素点，以目标像素点为中心像素点，以预设边长值为窗口边长的窗口内，除目标像素点外的其他像素点为目标像素点对应的临近像素点。在本发明实施例中预设边长值的取值为5，在其他实施例中可由实施者根据实际情况调整该取值，如当对局部异常情况分析的更为仔细时，可将预设边长值的取值设置为3；当对局部异常情况分析的略微粗略时，可将预设边长值的取值设置为7等，需要说明的是，预设边长值的取值需为奇数。

该局部缺陷特征的计算公式为：

其中，为植株放大图像中第p个像素点的局部缺陷特征；/>为预设边长值；为植株放大图像中第p个像素点对应的第i个临近像素点的像素值；/>为植株放大图像中第p个像素点的参考像素值。该局部缺陷特征的计算公式即为标准差的计算公式，在此不再进行赘述。

其中，当像素点和对应的临近像素点的像素值与像素点对应的参考像素值差异较大时，则反映像素点周围出现了较大的波动，很有可能是农作物叶片的叶片边缘区域或者叶脉区域。将其局部的特征进行分析得到像素点的局部缺陷特征。该局部缺陷特征也即为像素点与临近像素点的像素值的标准差，反映了像素点周围的波动程度。

进一步的，对叶片的整体异常情况进行分析，根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征，具体的：对植株放大图像中所有像素点的局部缺陷特征求平均，得到植株放大图像中的整体缺陷特征。植株放大图像中每个像素点的局部缺陷特征一定程度上能够反映该植株放大图像的整体缺陷特征。

结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重，具体的：将植株放大图像对应的最大局部缺陷特征和最小局部缺陷特征的差异，作为植株放大图像的局部极差特征；选取任意像素点作为目标像素点，获取目标像素点的局部缺陷特征和植株放大图像的整体缺陷特征的差异，作为目标像素点的像素缺陷特征；将目标像素点的像素缺陷特征和植株放大图像的局部极差特征的比值进行负相关映射，得到目标像素点对应的特征权重。在本发明实施例中将常数1与该目标像素点的像素缺陷特征和植株放大图像的局部极差特征的比值的差值，作为目标像素点对应的特征权重，以实现对目标像素点的像素缺陷特征和植株放大图像的局部极差特征的比值的负相关映射。

以第p个像素点作为目标像素点，该目标像素点的特征权重的计算公式为：

其中，为第p个像素点的特征权重；/>为植株放大图像中第p个像素点的局部缺陷特征；/>为植株放大图像中整体缺陷特征；/>为植株放大图像对应的最大局部缺陷特征；/>为植株放大图像对应的最小局部缺陷特征；/>为植株放大图像中第p个像素点的像素缺陷特征；/>为植株放大图像的局部极差特征。

利用像素点与临近像素点的灰度值的波动情况的标准差来体现滑窗内灰度值的差异，求出平均标准差来衡量图像边缘区域整天的灰度值差异情况，当局部缺陷特征小于整体缺陷特征时，则说明此边缘细节不明显，当局部缺陷特征大于整体缺陷特征时，则说明此边缘可能属于轮廓区域，这两种情况都需要减少相对应的权重。

步骤S300，基于SIFT算法，确定植株放大图像中每个像素点的特征值比值。

图像高斯金字塔是采用高斯函数对图形进行模糊以及降采样处理得到，在得到图像高斯金字塔之后，按照图像顺序进行两两相减可以得到高斯差分金字塔。

关键点是由DOG空间的局部极值点组成的，通过对每一个像素与它周围的相邻点进行比较，同时也要与同一组内各DOG相邻两层图像之间作比较，从而确保在尺度空间和二维图像空间都检测到极值点，其中，第一张图片和最后一张图片不参与计算，因为他们没有两张相邻的图像与之比较。因为这样检测到的极值点都是离散的，而离散的极值点与连续空间极值点有一定的差别，因此需要利用已知的离散空间点差值得到连续空间极值点，其过程为本领域技术人员的公知技术，在此不再进行赘述。

有些高斯差分算子的极值是处于边缘区域的，边缘区域的特征点通常并不稳定，因为在边缘的位置梯度变化较大，很容易导致模糊匹配或错误匹配，因此需要去除这些具有不稳定性的特征点。

但是农作物叶片内部的叶脉也会被误认为边缘区域而被去除，且农作物叶片的图像比较单一，没有过多地特征点能进行提取，其叶脉的分布更是农作物叶片的主要特征，因此不能将叶脉部分的边缘区域特征点进行去除。

获取各特征点处的Hessian矩阵，主曲率通过一个2*2的Hessian矩阵H求出，因为在特征点的主曲率和其生成的矩阵H特征值成正比，因此可以通过特征值之间的比值来反映特征点的相关信息，从而排除农作物叶片的叶片边缘区域，保留叶脉边缘区域。需要说明是的DOG函数和Hessian矩阵的获取为本领域技术人员的公知技术，在此不再进行赘述。

获取植株放大图像的边缘图像以及某尺度空间因子的植株放大图像的差分图像，请参阅图2，图2为植株放大图像的边缘图像。其叶片的轮廓区域基本没有发生变化，因此可通过边缘图像中边缘像素点的位置信息来对应差分图像中的像素点。

并进一步的，基于SIFT算法，确定植株放大图像中每个像素点的特征值比值，具体的：基于尺度不变特征转换算法，获取植株放大图像中每个像素点对应的海森矩阵的最大特征值和最小特征值的比值，作为植株放大图像中每个像素点的特征值比值；也即基于尺度不变特征转换算法，获取植株放大图像的边缘图像中每个像素点对应的海森矩阵的最大特征值和最小特征值的比值，作为植株放大图像的特征值比值。

步骤S400，将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像；对待检测农作物图像进行病虫害检测。

将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值，具体的：将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值加权求平均，获取疑似病虫害植株的植株放大图像的阈值。

该植株放大图像的阈值的计算公式为

其中，为植株放大图像的阈值；/>为植株放大图像中第p个像素点的特征权重；为植株放大图像中第p个像素点的特征值比值；m为植株放大图像中像素点的数量。

其中，利用各个像素点对应的特征权重，结合各个像素点所对应的特征值比值来得到自适应的植株放大图像的阈值。基于所述阈值，对植株放大图像中的特征点进行筛选，具体的：将特征值比值大于阈值的特征点作为边缘点，进行筛除，以实现对植株放大图像中的特征点的筛选。也即当某个特征点的特征值比值大于植株放大图像的对应阈值T时，则将其当作边缘点进行排除。需要说明的是，植株放大图像中的特征点是利用SIFT算法得到的特征点。

得到合适的阈值之后，代入SIFT算法消除相应的边缘响应，得到所有的特征点以及与之对应的其他信息，可以通过这些信息匹配到其他图片中的农作物叶片的所在区域。通过无人机进行俯瞰找到可能出现病虫害的区域之后，降低无人机的高度，对此区域进行图像采集得到植株放大图像。

进而对植株放大图像进行分析，得到植株放大图像中每个像素点的特征值比值，并结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重。将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值。

基于阈值对植株放大图像中的特征点进行筛选，利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像，具体的：利用SIFT算法将植株放大图像中筛选出的特征点和标准农作物图像中筛选出的特征点进行匹配得到匹配的准确率，也即利用SIFT算法将植株放大图像中筛选出的特征点和标准农作物图像中筛选出的特征点进行匹配，得到匹配的准确率。需要说明的是，基于SIFT算法对图像中的特征点进行匹配，得到匹配的准确率的算法为本领域技术人员的公知技术，在此不再进行赘述。需要说明的是，当需要进行病虫害检测的农作物为玉米时，则对应的标准农作物图像中的农作物为无病虫害的玉米。

当匹配的准确率大于或等于预设正确阈值时，将对应的植株放大图像作为待检测农作物图像。在本发明实施例中预设正确阈值的取值为0.5，在其他实施例中由实施者根据实际情况调整该取值。

最后，对待检测农作物图像进行病虫害检测，具体的：利用训练好的深度学习网络对待检测农作物图像进行病虫害检测。不同类型的虫害会导致不同的叶片特征，利用现有的农作物植株各种虫害图片对机器进行训练进行机器学习，将得到的叶片图像与数据库中的标准农作物图像进行比对，即可得到农作物植株出现问题的原因，从而完成对于农作物植株的虫害检测。

综上所述，本发明涉及图像处理技术领域。该方法获取农作物图像，从农作物图像中获取疑似病虫害植株的区域；基于疑似病虫害植株的区域，采集疑似病虫害植株的植株放大图像；根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征；根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重；基于SIFT算法，确定植株放大图像中每个像素点的特征值比值；将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像；对待检测农作物图像进行病虫害检测。本发明能够通过结合边缘点像素周围的灰度信息判断产生边缘点的区域所在，从而结合灰度信息来设置特征值比值的权重，只排除叶片轮廓区域的边缘像素点，保留叶脉产生的边缘像素点，而不是一味地排除所有边缘像素点，避免了部分有用信息被排除，提高了对农作物进行病虫害检测时的准确性。

一种智慧农业的农作物识别方法实施例：

现有的对农作物的识别通常直接将待识别农作物和标准农作物进行匹配，进而判断待识别农作物为需求的农作物还是种植地生长的杂草。但是通常匹配时利用尺度不变特征转换算法（Scale-invariant feature transform，SIFT）对农作物叶片上的特征进行提取，进而对其进行匹配，但是农作物的叶片通常较为相似，进而对农作物的识别的准确性较低。为了解决对农作物识别的准确性较低的问题，本实施例提供一种智慧农业的农作物识别方法，请参阅图3，其示出了本发明所提供的一种智慧农业的农作物识别方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取农作物图像，从农作物图像中获取疑似病虫害植株的区域；基于疑似病虫害植株的区域，采集疑似病虫害植株的植株放大图像；

步骤S200，根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征；根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重；

步骤S300，基于SIFT算法，确定植株放大图像中每个像素点的特征值比值；

步骤S400，将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，得到植株放大图像对应的农作物。

其中，步骤S100~步骤S300在上述一种智慧农业病虫害检测方法实施例中已给出了详细说明，不再赘述。以下对步骤S400进行具体描述。

步骤S400：将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，得到植株放大图像对应的农作物。

其中，利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，得到植株放大图像对应的农作物的方法为：利用SIFT算法将植株放大图像中筛选出的特征点和标准农作物图像中筛选出的特征点进行匹配得到匹配的准确率；当匹配的准确率大于或等于预设正确阈值时，将标准农作物图像对应的农作物作为对应的植株放大图像的农作物。在本发明实施例中预设正确阈值的取值为0.5，在其他实施例中由实施者根据实际情况调整该取值。

该一种智慧农业的农作物识别方法涉及图像处理技术领域，该方法首先对农作物图像进行分析处理，得到疑似病虫害植株的植株放大图像，该植株放大图像为经过首次处理得到的含有疑似病虫害植株的图像，对该植株放大图像进行后续分析，可以提高对农作物的病虫害检测的效率；根据植株放大图像中像素点的灰度信息确定像素点的局部波动特征和植株放大图像的整体波动特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重，轮廓边缘点因为是处于叶片的边缘，因此周围像素点灰度值的差距比较大，而叶脉边缘点因为处于农作物叶片内部，因此其周围的像素点灰度值差距并不明显，当像素点的周围的灰度信息波动较大时，像素点对应的局部缺陷特征更大，局部异常更明显，此时对该像素点赋予较大的特征权重，以后续实现对属于叶片边缘的像素点进行筛除，但保留叶脉对应的像素点；将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；将特征值信息与灰度值信息进行结合，综合分析找出合适的阈值来对边缘像素点进行筛选。利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，得到植株放大图像对应的农作物。该植物放大图像对应的农作物为需要进行病虫害检测的农作物，由此排除了植株放大图像中的植株为非农作物外的植株的情况，实现了对农作物的识别，提高了对农作物的识别的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种智慧农业病虫害检测方法，其特征在于，该方法包括以下步骤：

获取农作物图像，从农作物图像中获取疑似病虫害植株的区域；基于疑似病虫害植株的区域，采集疑似病虫害植株的植株放大图像；

根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征；根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征；结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重；

基于SIFT算法，确定植株放大图像中每个像素点的特征值比值；

将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值；基于所述阈值，对植株放大图像中的特征点进行筛选；利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像；对待检测农作物图像进行病虫害检测。

2.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述结合每个像素点的局部缺陷特征、整体缺陷特征以及植株放大图像中的局部缺陷特征的极差情况，对每个像素点赋予特征权重，包括：

将植株放大图像对应的最大局部缺陷特征和最小局部缺陷特征的差异，作为植株放大图像的局部极差特征；

选取任意像素点作为目标像素点，获取目标像素点的局部缺陷特征和植株放大图像的整体缺陷特征的差异，作为目标像素点的像素缺陷特征；

将目标像素点的像素缺陷特征和植株放大图像的局部极差特征的比值进行负相关映射，得到目标像素点对应的特征权重。

3.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述根据植株放大图像中每个像素点与对应的临近像素点的像素差异，确定植株放大图像中每个像素点的局部缺陷特征，包括：

计算每个像素点与对应的所有临近像素点的像素值的标准差，作为植株放大图像中每个像素点的局部缺陷特征。

4.根据权利要求3所述的一种智慧农业病虫害检测方法，其特征在于，所述根据植株放大图像中所有像素点与对应的临近像素点的像素差异，确定植株放大图像的整体缺陷特征，包括：

对植株放大图像中所有像素点的局部缺陷特征求平均，得到植株放大图像中的整体缺陷特征。

5.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，每个像素点对应的临近像素点的获取方法为：选取任意像素点作为目标像素点，以目标像素点为中心像素点，以预设边长值为窗口边长的窗口内，除目标像素点外的其他像素点为目标像素点对应的临近像素点。

6.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值进行加权，获取疑似病虫害植株的植株放大图像的阈值，包括：

将每个像素点对应的特征权重作为权重，对植株放大图像中每个像素点的特征值比值加权求平均，获取疑似病虫害植株的植株放大图像的阈值。

7.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述基于SIFT算法，确定植株放大图像中每个像素点的特征值比值，包括：

基于SIFT算法，获取植株放大图像中每个像素点对应的海森矩阵的最大特征值和最小特征值的比值，作为植株放大图像中每个像素点的特征值比值。

8.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述利用SIFT算法，基于筛选出的特征点，匹配植株放大图像和标准农作物图像，从植株放大图像中确定待检测农作物图像，包括：

利用SIFT算法将植株放大图像中筛选出的特征点和标准农作物图像中筛选出的特征点进行匹配得到匹配的准确率；当匹配的准确率大于或等于预设正确阈值时，将对应的植株放大图像作为待检测农作物图像。

9.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述获取农作物图像，从农作物图像中获取疑似病虫害植株的区域，包括：

利用训练好的深度学习网络从农作物图像中得到疑似病虫害植株的区域。

10.根据权利要求1所述的一种智慧农业病虫害检测方法，其特征在于，所述对待检测农作物图像进行病虫害检测，包括：

利用训练好的深度学习网络对待检测农作物图像进行病虫害检测。