技术特征：
1.一种基于计算机视觉的作物果实晚疫病识别方法，其特征在于，包括如下步骤：a.获取作物植株图像，其中作物植株上的果实包含正常果实、患有晚疫病的果实及患有其他病症的果实；b. 获取果实检测模型，包括对作物植株图像进行标注生成以果实为检测目标的数据集、搭建果实图像检测模型并训练；c. 获取果实晚疫病识别模型，包括果实晚疫病识别数据集准备、果实晚疫病分类网络搭建、模型训练；d．输入作物植株图像，识别出作物植株中患有晚疫病的果实。2.根据权利要求1所述的一种基于计算机视觉的作物果实晚疫病识别方法，其特征在于，步骤d中，根据识别出的果实总数量n及患有晚疫病的果实数量m得到晚疫病占比率。3.根据权利要求2所述的一种基于计算机视觉的作物果实晚疫病识别方法，其特征在于，所述获取果实检测模型的步骤包括：s1：果实检测图像的数据集准备和预处理，将收集到的数据集样本归一化为1024
×
1024像素大小，然后勾画图像中果实所在位置作为数据集中的标签样本；s2：数据增强：为提高模型的准确率，将训练集图像和标签同时进行上下翻转、左右翻转、旋转、图像模糊的操作增加数据量，得到数据增强后的数据集；s3：构造图像检测模型：构造图像检测模型包括，以深度卷积神经网络作为特征提取层，生成候选框的区域提取网络，收集候选框的感兴趣区域池化层，分类和回归网络判断目标图像和回归检测框；s4：将s2中的数据集按比例分为训练集、测试集和验证集；s5：将s4中的数据集输入到s3中构造的图像检测模型，训练所述图像检测模型，获得果实识别模型。4.根据权利要求1或3所述的一种基于计算机视觉的作物果实晚疫病识别方法，其特征在于，所述获取果实晚疫病识别模型的步骤包括：（1）果实晚疫病识别模型的数据准备和预处理：提取收集到的作物植株图像中的果实部分，将患有晚疫病的果实作为模型训练的正样本，其他果实作为负样本；（2）对正样本数量进行增强，使得正样本、负样本数量比例为1:1；（3）构造图像分类模型包括提取识别目标特征的深度学习卷积层，用于识别的softmax分类层；（4）将步骤（1）中的数据集按一定比例分为训练集、测试集和验证集；（5）将步骤（3）中的数据集输入到步骤（2）中构造的图像分类模型，得到果实晚疫病识别模型。5.根据权利要求2所述的一种基于计算机视觉的作物果实晚疫病识别方法，其特征在于，获取所述晚疫病占比率的步骤包括： a.收集单株作物图像并进行图像预处理；b.将预处理后的图像依次输入到训练后的果实检测模型及果实晚疫病识别模型中；c．获取果实总数量n及患有晚疫病的果实数量m；d．得到晚疫病占比率r，r=m/n。
技术总结
本发明为一种基于计算机视觉的作物果实晚疫病识别方法，包括如下步骤：果实植株图像的收集；获取果实检测模型，包括对收集到的图像进行标注生成以果实为检测目标的数据集，搭建图像检测模型并训练；获取果实晚疫病识别模型，包括果实晚疫病识别数据集准备，果实晚疫病分类网络搭建，模型训练；识别患晚疫病果实并输出所占总检测果实中的比例。本发明所提供的方法实现了对可视范围内植株的患病判别，并精准定位患病果实的位置。本发明通过多模型融合的方法解决患病果实比例不平衡的问题，提高作物果实的检测准确率，并计算所标记的患病果实与总检测果实量的比率，可为后期晚疫病发病危害评估提供数据分析方案。危害评估提供数据分析方案。危害评估提供数据分析方案。
技术研发人员：孙启玉 马跃辉 褚德峰 陈栋 贾士鹏
受保护的技术使用者：水发智慧农业科技有限公司
技术研发日：2021.07.13
技术公布日：2021/11/2