一种基于图像识别的叶片病害识别方法及系统与流程

1.本技术涉及图像识别技术领域，尤其涉及一种基于图像识别的叶片病害识别方法及系统。


背景技术：

2.在植株生长的过程中，存在一系列形态、生理上的病理变化，会阻碍植株的正常生长发育，从而影响经济效益。植株发生的病害会从外在上表现为叶片、根茎等部位的病变情况，比如变色、坏死、腐烂等。
3.目前可通过人工监测的方式，对植株的病害进行监控处理。
4.基于此，需要一种更加准确、高效地能够通过图像识别的方式实现对叶片病害的识别的方案。


技术实现要素：

5.本技术实施例提供一种基于图像识别的叶片病害识别方法及系统，用以解决目前对叶片病害的识别成本较低、效率较低、准确性不足的问题。
6.本技术实施例提供的一种基于图像识别的叶片病害识别方法，包括：采集待处理的原始叶片图像；基于图像清晰度，对所述原始叶片图像进行筛选；对筛选后的原始叶片图像进行预处理，得到叶片区域图像；根据预训练的基于卷积神经网络的叶片病害识别模型，对所述叶片区域图像进行分类，识别确定所述叶片区域图像对应的叶片的病害种类。
7.在一个示例中，基于图像清晰度，对所述原始叶片图像进行筛选，具体包括：根据梯度函数，评估所述原始叶片图像的清晰度；根据预设的清晰度阈值，筛选得到大于所述清晰度阈值的原始叶片图像。
8.在一个示例中，基于图像清晰度，对所述原始叶片图像进行筛选，具体包括：根据laplacian 算子提取梯度值；根据公式算子提取梯度值；根据公式，计算得到所述原始叶片图像的清晰度值；其中，d(f)表示图像清晰度计算结果，g(x，y)表示像素点(x，y)处laplacian算子的卷积，g
x
表示像素点(x，y)处laplacian水平方向边缘检测算子的卷积，gy表示像素点(x，y)处laplacian垂直方向边缘检测算子的卷积，t表示预定的边缘检测阈值；确定预设的清晰度阈值为200，筛选得到清晰度值大于200的原始叶片图像。
9.在一个示例中，对筛选后的原始叶片图像进行预处理，得到叶片区域图像，具体包括：对筛选后的原始叶片图像进行随机翻转处理及平均亮度处理；通过识别截取得到包含叶片的叶片区域图像；对所述叶片区域图像进行归一化处理。
10.在一个示例中，所述叶片病害识别模型通过以下方式训练得到：采集原始叶片图
像，进行筛选和预处理，得到叶片区域图像，作为训练数据集；确定所述训练数据集对应的分类标签；根据所述训练数据集和所述分类标签，训练resnet34卷积神经网络模型，得到训练完成的叶片病害识别模型。
11.在一个示例中，根据预训练的基于卷积神经网络的叶片病害识别模型，对所述叶片区域图像进行分类，识别确定所述叶片区域图像对应的叶片的病害种类，具体包括：将所述叶片区域图像输入预训练的基于卷积神经网络的叶片病害识别模型，计算预设的各分类标签对应的平均值；从各分类标签对应的若干个概率中，选择最大概率对应的分类标签，作为识别确定出的所述叶片区域图像对应的叶片的病害种类。
12.在一个示例中，将所述叶片区域图像输入预训练的基于卷积神经网络的叶片病害识别模型，计算预设的各分类标签对应的平均值，具体包括：根据公式，计算预设的各分类标签对应的平均值；其中，ranki表示第i 个样本的序号，m 表示正样本的个数，n 表示负样本的个数。
13.在一个示例中，采集待处理的原始叶片图像，具体包括：根据植株密度以及各植株分别对应的叶片密度，确定针对不同种植区域的采集模式；根据确定出的采集模式，分别采集所述不同种植区域的待处理的原始叶片图像。
14.在一个示例中，所述方法还包括：确定患病的叶片区域图像在对应的原始叶片图像中的第一位置信息；确定所述原始叶片图像对应的图像采集设备；根据所述图像采集设备所在的第二位置信息，以及所述第一位置信息，确定所述患病的叶片区域图像所属的植株。
15.本技术实施例提供的一种基于图像识别的叶片病害识别系统，包括：图像采集设备，用于采集待处理的原始叶片图像；处理器，用于基于图像清晰度，对所述原始叶片图像进行筛选，对筛选后的原始叶片图像进行预处理，得到叶片区域图像，以及，根据预训练的基于卷积神经网络的叶片病害识别模型，对所述叶片区域图像进行分类，识别确定所述叶片区域图像对应的叶片的病害种类。
16.本技术实施例提供一种基于图像识别的叶片病害识别方法及系统，基于对原始叶片图像的筛选和预处理，提取包含信息量较多的叶片区域图像，并加强了图像的特征表达，以便于后续在采用叶片病害识别模型对叶片区域图像进行识别时，能够更加准确地识别出对应的病害类型。通过图像自动识别的方式对叶片健康状况进行监测，精确率较高，能准确判断叶片病害情况，同时采用卷积神经网络分类方法，提升叶片病害分类的准确性，且具有可复制性和即时性，使相关人员能及时对植株病害进行治疗处理，有效避免因信息滞塞所导致的产量减产。而且，本方法对图片进行预处理，有效避免了户外阳光变化对图像曝光的影响，也有利于提高叶片病害识别的准确性。
17.另外，基于叶片病害识别模型的自动识别与分类，有效地提高了叶片病害监测的效率，降低了人工成本，具有费用低、应用面积广的特点。
附图说明
18.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例提供的一种基于图像识别的叶片病害识别方法流程图；图2为本技术实施例提供的叶片病害识别模型的训练流程图；图3为本技术实施例提供的一种基于图像识别的叶片病害识别系统结构示意图。
具体实施方式
19.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
20.图1为本技术实施例提供的一种基于图像识别的叶片病害识别方法流程图，具体包括以下步骤：s101：采集待处理的原始叶片图像。
21.针对需要监测的植株，可采集其叶片的图像，作为待处理的原始叶片图像，以待进行后续处理及识别。其中，一张原始叶片图像中可能仅包含一棵植株的叶片图像，也可能包含多棵不同植株的叶片图像。
22.s102：基于图像清晰度，对所述原始叶片图像进行筛选。
23.采集得到的原始叶片图像可能由于植株晃动、天气不佳等原因，存在图像清晰度较差、难以进行辨认、辨认效果较差的情况。基于此，需要根据图像清晰度，对原始叶片图像进行筛选，以得到能够进行后续识别操作的有效的图像，以提高叶片病害识别的效率，节省无用的操作，并保障后续叶片病害识别的准确性。
24.在一个实施例中，在对原始叶片图像进行筛选时，可根据梯度函数，评估原始叶片图像的清晰度，再根据预设的清晰度阈值，筛选得到大于清晰度阈值的原始叶片图像，作为后续进行识别的图像。通过确定原始叶片图像的筛选标准，保障图像筛选的可操作性，并保障筛选后的图像的清晰度，有利于后续提高叶片病害识别的准确率。
25.具体地，原始叶片图像的筛选过程可包括：第一，根据laplacian 算子提取梯度值；第二，根据公式，，计算得到原始叶片图像的清晰度值；其中，d(f)表示图像清晰度计算结果，g(x，y)表示像素点(x，y)处laplacian算子的卷积，g
x
表示像素点(x，y)处laplacian水平方向边缘检测算子的卷积，gy表示像素点(x，y)处laplacian垂直方向边缘检测算子的卷积，t表示预定的边缘检测阈值；第三，确定预设的清晰度阈值为200，筛选得到清晰度值大于200的原始叶片图像。
26.该方案有利于准确确定原始叶片图像的清晰度值，便于进行图像筛选。
27.s103：对筛选后的原始叶片图像进行预处理，得到叶片区域图像。
28.由于采集到的原始叶片图像中可能包含无用且具有干扰性的信息，比如土壤、天空、小动物、昆虫等其他干扰物，则为了提高图像识别的准确性，需要对原始叶片图像进行预处理，得到特定的叶片区域图像，以加强后续模型对待识别叶片的关注度，保障叶片病害识别的准确性。其中，叶片区域图像中一般只包含待识别的叶片。
29.在一个实施例中，对原始叶片图像进行的预处理可包括：第一，以一定的概率（如50%），对原始叶片图像进行垂直、水平、90
°
等随机翻转处理；第二，设置统一曝光度与对比度，并计算原始叶片图像的亮度值；若亮度值偏亮，则调低图像的曝光；若亮度值偏暗，则调高图像的曝光，以实现对原始叶片图像的平均亮度处理；其中，偏亮和偏暗的界限值可通过预设确定；第三，通过识别截取得到包含叶片的叶片区域图像后，对叶片区域图像进行归一化处理。具体可通过归一化函数实现，其中x表示图像像素点值，min（x）为图像像素最小值，max（x）为图像像素最大值。
30.s104：根据预训练的基于卷积神经网络的叶片病害识别模型，对所述叶片区域图像进行分类，识别确定所述叶片区域图像对应的叶片的病害种类。
31.通过预训练基于卷积神经网络的叶片病害识别模型，对得到的叶片区域图像进行识别分类处理，以确定叶片区域图像对应的病害种类，实现对叶片病害的识别与监控。
32.在一个实施例中，如图2所示，叶片病害识别模型的训练方式包括以下步骤：第一，采集原始叶片图像，进行筛选和预处理，识别得到叶片区域图像，并进行归一化处理后作为训练数据集；第二，确定训练数据集对应的分类标签，分类标签包括无病害以及植株对应的多种病害种类；第三，根据训练数据集和分类标签，训练resnet34卷积神经网络模型，训练并得到最佳学习速率，得到训练完成的叶片病害识别模型。
33.需要说明的是，叶片病害识别模型中部分步骤与该叶片病害识别方法中部分步骤存在相似，则本实施例中未详述的部分，具体可参照叶片病害识别方法的实施例中的相应部分，本实施例对此不再赘述。
34.在一个实施例中，由于不同种类的植株对应的叶片病害不同，其表现出的图像特征也存在差别，则针对不同种类的植株，可分别训练其对应的叶片病害识别模型，以采用特定的模型对相应种类的植株的叶片病害进行识别，以提高针对不同植株的叶片病害识别的准确性。
35.在一个实施例中，在采用叶片病害识别模型对叶片区域图像进行处理时，将叶片区域图像输入预训练的基于卷积神经网络的叶片病害识别模型，计算预设的各分类标签对应的平均值。从各分类标签对应的若干个概率中，选择最大概率对应的分类标签，其表示叶片区域图像与该分类标签匹配的可能性最大，则将该分类标签表示的病害种类作为识别确定出的叶片区域图像对应的叶片的病害种类。
36.具体地，将叶片区域图像输入预训练的基于卷积神经网络的叶片病害识别模型，计算预设的各分类标签对应的平均值时，可根据公式，计算预设的各分类标签对应的平均值；其中，ranki表示第i 个样本的序号，m 表示正样本的个数，n 表示负样本的个数。
37.在本技术实施例中，基于对原始叶片图像的筛选和预处理，提取包含信息量较多的叶片区域图像，并加强了图像的特征表达，以便于后续在采用叶片病害识别模型对叶片区域图像进行识别时，能够更加准确地识别出对应的病害类型。另外，基于叶片病害识别模型的自动识别与分类，有效地提高了叶片病害监测的效率，降低了人工成本。
38.在一个实施例中，由于植株的生长状况不同，不同种植区域的植株的疏密情况也不同，因此，在采集待处理的原始叶片图像时，可根据植株密度以及各植株分别对应的叶片密度，确定针对不同种植区域的采集模式。其中，采集模式包括采集范围、采集点的数量、采集角度等。比如，植株茂密的区域，设置较多采集点，并多次进行采集高度、角度的调整，以便对所有植株的叶片图像全部进行采集。
39.根据确定出的采集模式，分别采集不同种植区域的待处理的原始叶片图像。这样有利于对种植区域的所有植株均进行有效监控，防止因植株过密导致部分植株被遮盖而缺乏监控的情况发生。
40.在一个实施例中，若确定叶片区域图像的识别结果为存在叶片病害，则需确定对应存在叶片病害的植株为哪一棵。首先可确定患病的叶片区域图像在对应的原始叶片图像中的第一位置信息，其体现了在图像分割前叶片区域图像在原始叶片图像中的位置。其次，确定采集该原始叶片图像对应的图像采集设备，以及该图像采集设备在当时所保持的状态信息，包括采集高度、角度等。最后，可根据图像采集设备所在的第二位置信息，其状态信息，以及叶片区域图像的第一位置信息，确定叶片区域图像在被采集时对应的实际位置，即可确定患病的叶片区域图像所属的植株。
41.需要说明的是，本方案不仅可应用于叶片病害的识别，还可应用于其他具有相似原理的病害识别中，比如对植株根茎的病害识别等。
42.在一个实施例中，桃是原产于我国的重要水果之一，作为世界上最大的桃和油桃生产国，其每年产量达到1400万多吨。但由于一些桃病虫害（如桃细菌性穿孔病、黑星病）的存在，使桃容易受到严重的减产影响。因此，将本方案应用于桃病害的防治，有利于桃树的良好生长，以提高经济效益。
43.以上为本技术实施例提供的一种基于图像识别的叶片病害识别方法，基于同样的发明思路，本技术实施例还提供了相应的一种基于图像识别的叶片病害识别系统，如图3所示。
44.图3为本技术实施例提供的一种基于图像识别的叶片病害识别系统结构示意图，具体包括：图像采集设备31，用于采集待处理的原始叶片图像，可以是高清摄像头。其中，图像采集设备的放置地点、放置数量可根据植株的种植密度确定，以使采集画面能够覆盖绝大部分植株叶片。图像采集设备具备独立的位置信息，可存储在存储器33中。
45.处理器32，用于接收图像采集设备31采集的图像，基于图像清晰度，对所述原始叶片图像进行筛选，对筛选后的原始叶片图像进行预处理，得到叶片区域图像，以及，根据预训练的基于卷积神经网络的叶片病害识别模型，对所述叶片区域图像进行分类，识别确定所述叶片区域图像对应的叶片的病害种类。
46.系统还可包括显示器34，用于显示植株叶片病害信息。
47.本技术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。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
48.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
49.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。