本发明属于果树生长监测技术领域，尤其涉及一种沃柑病变的自动识别方法。
背景技术：
近年来，沃柑作为农业经济的一种产业，为种植地带来了丰硕的经济收益，从而引起了沃柑种植的大面积兴起，在沃柑种植过程中的管理弊端日益凸显。
沃柑在种植管理过程稍有不慎，就会引发病害，由于很多果园都是紧挨着的，若不及时发现、尽早处理将会导致果园中的大面积果树染病。沃柑常见的病害有树脂病、炭疽病和灰霉病,这些都是真菌病害,其易发时期通常在夏季高温、湿度大的环境下。树脂病,主要是在沃柑的枝干、叶片等染上病菌,一旦出现这种病害,最主要的表现是枝干出现流胶,果实沙皮且有黑点,整个植株和枝干都非常干燥甚至枯萎,会大大降低枝叶的生长速度,从而导致整个沃柑的果品质量下降。从上述病害的特性不难看出，危害大的病害主要表现在沃柑的枝干、叶片以及果实上，如果在病害爆发或者发生前能够根据果树所处生长周期对应的枝干、叶片以及果实生长图像进行预判，并针对预判结果采取措施来进行防治，可大大降低病害灾害带来的损失。
技术实现要素：
针对现有技术的不足，本发明提供一种沃柑病变的自动识别方法，通过采集沃柑不同生长周期的生长图像(包括枝干、叶片和果实的生长图像)，再通过人工神经网络模型进行识别，以便及时掌握沃柑在不同生长周期的生长状况，从而对病害及时处理，提高果实质量。
本发明是通过如下的技术方案来解决上述技术问题的：一种沃柑病变的自动识别方法，包括以下几个步骤：
步骤1：获取生长周期和实时生长图像；
识别沃柑所处生长周期，并获取该生长周期所对应的实时生长图像；
步骤2：特征像素点的提取；
对所述步骤1的实时生长图像进行分析处理，并提取特征像素点数据；
步骤3：病变自动识别与结果显示；
根据生长周期和特征像素点数据进行病变自动识别，将病变识别结果显示，并生成提醒信息。
进一步地，所述步骤3的具体操作包括以下几个子步骤：
步骤3.1：构建人工神经网络构建病变识别模型，以生长周期数据对应的特征像素点数据为训练样本，对人工神经网络病变识别模型进行训练；
步骤3.2：将实时识别的生长周期和实时提取的特征像素点数据输入至所述步骤3.1训练好的人工神经网络病变识别模型中，病变识别模型输出的结果即病变识别结果。
进一步地，所述人工神经网络病变识别模型包括目标分割模型或者目标检测模型。
当人工神经网络病变识别模型包括目标分割模型时，利用目标分割模型获取特征像素点数据中的特定区域的属性信息；或者当人工神经网络病变识别模型包括目标检测模型时，利用目标检测模型检测特征像素点数据是否存在目标对象(病害图像所提取的像素点作为目标对象)；判断特征像素点数据是否为病变像素点数据。
进一步地，所述步骤1中，实时生长图像包括沃柑的枝干生长图像、叶片生长图像以及果实生长图像。
进一步地，所述步骤2中，实时生长图像的分析处理包括信号增强处理、去噪处理、灰度化处理、图像稳像处理、分割处理、二值化处理和边缘检测处理。
进一步地，一种利用如上所述的自动识别方法进行沃柑病变自动识别的系统，包括图像采集单元、生长周期识别单元、图像处理单元、数据接收单元、病变识别单元、显示单元以及用户单元；
所述图像采集单元，用于采集沃柑不同生长周期的实时生长图像，并将该实时生长图像传输至所述图像处理单元；
所述生长周期识别单元，用于识别沃柑所处生长周期，并将该生长周期发送至数据接收单元；
所述图像处理单元，用于对所述实时生长图像进行分析处理以及特征像素点的提取；
所述数据接收单元，用于接收生长周期识别单元传送来的生长周期数据，并将该生长周期数据传送给所述病变识别单元；
所述病变识别单元，用于根据数据接收单元的生长周期数据和图像处理单元的特征像素点数据对沃柑在不同生长周期的生长状况进行自动识别，并将自动识别结果通过显示单元显示，或者生成提示信息发送给用户单元。
进一步地，所述图像采集单元包括多个摄像头和多个补光灯，在所述多个摄像头的安装区域对应设置有补光灯，以便获取质量更高的生长图像。
进一步地，所述多个摄像头呈口字结构地均匀分布在球体外壳上，在每个口字结构的中心均设置一个补光灯。
将布满摄像头的球体安装在沃柑树上，能够360°的获取球体外围的生长图像，从而能够获取更多的生长图像数据。
进一步地，在所述病变识别单元中构建基于人工神经网络的病变识别模型，通过该病变识别模型进行沃柑病变的自动识别。
具体地，以生长周期对应的特征像素点数据作为人工神经网络的训练集，不断深度学习，得到最终优化参数后的人工神经网络病变识别模型；当人工神经网络病变识别模型接收数据接收单元和图像处理单元发送来的生长周期数据和特征像素点数据后，则对应输出病变识别结果，所述病变识别结果通过显示单元显示，并发送至用户单元，以便用户实时掌握沃柑的生长状况。
与现有技术相比，本发明所提供的一种沃柑病变的自动识别方法及系统，通过采集不同生长周期内的实时生长图像，并提取实时生长图像的特征像素点数据，以生长周期和特征像素点数据进行沃柑病变的自动识别，无需人工监测，通过该自动识别方法及系统能够及时掌握沃柑的生长状态及病变状态，以便种植人员及时处理，降低了沃柑大面积病变的概率，提高了沃柑的质量和产量；本发明构建人工神经网络构建病变识别模型对沃柑病变进行自动识别，提高了沃柑病变的自动识别能力，进而提高了病变的识别精确度。
具体实施方式
下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的一种沃柑病变的自动识别方法，包括以下几个步骤：
步骤1：获取生长周期和实时生长图像；
识别沃柑所处生长周期，并获取该生长周期所对应的实时生长图像，实时生长图像包括沃柑的枝干生长图像、叶片生长图像以及果实生长图像。通过分析枝干、叶片以及果实在不同生长周期的生长状态来判断沃柑是否处于病变期，以便及早处理，避免了大面积染病现象。
步骤2：特征像素点的提取；
对步骤1的实时生长图像进行分析处理，并提取特征像素点数据；对生长图像的分析处理包括：信号增强处理、去噪处理、灰度化处理、图像稳像处理、分割处理、二值化处理、边缘检测处理以及特征像素点的提取；特征像素点的提取包括形状特征像素点的提取和纹理特征像素点的提取。稳像处理消除了由于沃柑处于自然环境中随风抖动而造成待识别生长图像模糊的影响，得到了清晰化的待识别生长图像。
步骤3：病变自动识别与结果显示；
根据生长周期和特征像素点数据进行病变自动识别，将病变识别结果显示，并生成提醒信息。
首先，构建人工神经网络构建病变识别模型，以生长周期数据对应的特征像素点数据为训练样本，对人工神经网络病变识别模型进行训练；
其次，将实时识别的生长周期和实时提取的特征像素点数据输入至步骤3.1训练好的人工神经网络病变识别模型中，病变识别模型输出的结果即病变识别结果。
人工神经网络病变识别模型包括目标分割模型或者目标检测模型。当人工神经网络病变识别模型包括目标分割模型时，利用目标分割模型获取特征像素点数据中的特定区域的属性信息；或者当人工神经网络病变识别模型包括目标检测模型时，利用目标检测模型检测特征像素点数据是否存在目标对象(病害图像所提取的像素点作为目标对象)；判断特征像素点数据是否为病变像素点数据。
一种利用上述自动识别方法进行沃柑病变自动识别的系统，包括图像采集单元、生长周期识别单元、图像处理单元、数据接收单元、病变识别单元、显示单元以及用户单元；
图像采集单元，用于采集沃柑不同生长周期的实时生长图像，并将该实时生长图像传输至图像处理单元；生长周期识别单元，用于识别沃柑所处生长周期，并将该生长周期发送至数据接收单元；图像处理单元，用于对实时生长图像进行信号增强、去噪、分割处理、边缘检测以及特征像素点的提取；数据接收单元，用于接收生长周期识别单元传送来的生长周期数据，并将该生长周期数据传送给病变识别单元；病变识别单元，用于根据数据接收单元的生长周期数据和图像处理单元的特征像素点数据对沃柑在不同生长周期的生长状况进行自动识别，并将自动识别结果通过显示单元显示，或者生成提示信息发送给用户单元。
图像采集单元包括多个摄像头和多个补光灯，在多个摄像头的安装区域对应设置有补光灯，以便获取质量更高的生长图像。多个摄像头呈口字结构地均匀分布在球体外壳上，在每个口字结构的中心均设置一个补光灯。
将布满摄像头的球体安装在沃柑树上，能够360°的获取球体外围的生长图像，从而能够获取更多的生长图像数据。
在病变识别单元中构建基于人工神经网络的病变识别模型，通过该病变识别模型进行沃柑病变的自动识别。具体地，以生长周期对应的特征像素点数据作为人工神经网络的训练集，不断深度学习，得到最终优化参数后的人工神经网络病变识别模型；当人工神经网络病变识别模型接收数据接收单元和图像处理单元发送来的生长周期数据和特征像素点数据后，则对应输出病变识别结果，病变识别结果通过显示单元显示，并发送至用户单元，以便用户实时掌握沃柑的生长状况。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。