水稻叶片病害图像检测方法、装置、设备及存储介质

本发明涉及病害检测，尤其涉及一种水稻叶片病害图像检测方法、装置、设备及存储介质。

背景技术：

1、目前水稻的病害识别技术主要使用的方法是靠人工定时到田间进行生物识别，其他方法是首先获取图像，然后使用人工智能方法对水稻叶片图像进行病害检测。人工检测技术：人工到田间检测不仅会浪费大量的人力物力财力，而且识别率也不太高，实时性不强，且容易错过最佳的病害防治时期。人工智能图像检测方法：传统人工智能方法对病害区域识别速度慢，准确度低，且装置部署难度高，软件环境配置繁琐。

技术实现思路

1、本发明的主要目的在于提供一种水稻叶片病害图像检测方法、装置、设备及存储介质，旨在解决现有技术水稻病害检测技术识别率低，速度慢，准确率低，实时率不强的技术问题。

2、为实现上述目的，本发明提供了一种水稻叶片病害图像检测方法，所述方法包括以下步骤：

3、获取农业病虫害研究图像数据库，并根据所述农业病虫害研究图像数据库获得原始数据；

4、构建初始水稻叶片病害检测模型，并将所述原始数据输入至所述初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型；

5、将待检测的水稻叶片图像输入至所述训练后的水稻叶片病害检测模型进行检测，并输出检测结果。

6、可选地，所述根据所述农业病虫害研究图像数据库获得原始数据，包括：

7、对所述农业病虫害研究图像数据库中的病害直径超过预设值的水稻叶片病害图像进行标注；

8、提取被标注的水稻叶片病害图像，并将所述被标注的水稻叶片病害图像作为原始数据。

9、可选地，所述将所述原始数据输入至所述初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型，包括：

10、通过分别对所述原始数据中的整个图像以及边界框内的图像进行翻转、剪切、模糊、加噪以及灰度级处理中的至少一项以实现对所述原始数据的预处理，得到预处理后的原始数据；

11、将所述预处理后的原始数据输入至所述初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型。

12、可选地，所述将待检测的水稻叶片图像输入至所述训练后的水稻叶片病害检测模型进行检测，并输出检测结果，包括：

13、将待检测的水稻叶片图像经过数据预处理后分成若干个大小相同的图像块；

14、将所述若干个大小相同的图像块输入至所述水稻叶片病害检测模型中的骨干网络进行特征提取和降维，得到第一向量；

15、根据所述第一向量得到待检测的水稻叶片图像的位置编码；

16、将所述第一向量与所述位置编码输入至所述训练后的水稻叶片病害检测模型中的神经网络进行编码与解码后，通过预测头输出预测框和类别信息；

17、将所述预测框和类别信息作为检测结果。

18、可选地，所述将所述若干个大小相同的图像块输入至所述水稻叶片病害检测模型中的骨干网络进行特征提取和降维，得到第一向量，包括：

19、对所述若干个大小相同的图像块分别进行高密度混合特征采样，得到特征信息；

20、对所述特征信息进行融合，并将融合后的特征信息进行卷积平滑处理，得到特征映像集合；

21、将所述特征映像集合进行降维处理，得到第一向量。

22、可选地，所述根据所述第一向量得到待检测的水稻叶片图像的位置编码，包括：

23、对所述第一向量中的特征进行展开，得到若干个大小相同的图像块中每个图像的特征，将所述若干个大小相同的图像块中每个图像的特征作为第二向量；

24、将所述第二向量经过正弦函数和余弦函数处理，得到位置编码。

25、可选地，所述将所述第一向量与所述位置编码输入至神经网络中进行编码与解码后，通过预测头输出预测框和类别信息之后，还包括：

26、对预知框和预测框进行二元匹配，得到预知框和预测框之间的拟合关系；

27、根据所述预知框和预测框之间的拟合关系，计算出损失函数；

28、根据所述损失函数确定检测精度。

29、此外，为实现上述目的，本发明还提出一种水稻叶片病害图像检测装置，所述水稻叶片病害图像检测装置包括：

30、获取模块，用于获取农业病虫害研究图像数据库，并根据所述农业病虫害研究图像数据库获得原始数据；

31、训练模块，用于构建初始水稻叶片病害检测模型，并将所述原始数据输入至所述初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型；

32、检测模块，用于将待检测的水稻叶片图像输入至所述训练后的水稻叶片病害检测模型进行检测，并输出检测结果。

33、此外，为实现上述目的，本发明还提出一种水稻叶片病害图像检测设备，所述水稻叶片病害图像检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水稻叶片病害图像检测程序，所述水稻叶片病害图像检测程序配置为实现如上文所述的水稻叶片病害图像检测方法的步骤。

34、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有水稻叶片病害图像检测程序，所述水稻叶片病害图像检测程序被处理器执行时实现如上文所述的水稻叶片病害图像检测方法的步骤。

35、本发明通过获取农业病虫害研究图像数据库，并根据农业病虫害研究图像数据库获得原始数据；构建初始水稻叶片病害检测模型，并将原始数据输入至初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型；将待检测的水稻叶片图像输入至训练后的水稻叶片病害检测模型进行检测，并输出检测结果。本发明通过从数据库获取原始数据并对初始模型进行训练，将待检测水稻叶片图像输入训练后模型进行检测，得到检测结果，解决现有的检测方法识别率低，速度慢，准确率低，实时率不强的问题，具有实时性、低成本、一站式、操作简单以及后期维护方便的效果。

技术特征：

1.一种水稻叶片病害图像检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述根据所述农业病虫害研究图像数据库获得原始数据，包括：

3.如权利要求1所述的方法，其特征在于，所述将所述原始数据输入至所述初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型，包括：

4.如权利要求1所述的方法，其特征在于，所述将待检测的水稻叶片图像输入至所述训练后的水稻叶片病害检测模型进行检测，并输出检测结果，包括：

5.如权利要求4所述的方法，其特征在于，所述将所述若干个大小相同的图像块输入至所述水稻叶片病害检测模型中的骨干网络进行特征提取和降维，得到第一向量，包括：

6.如权利要求4所述的方法，其特征在于，所述根据所述第一向量得到待检测的水稻叶片图像的位置编码，包括：

7.如权利要求4所述的方法，其特征在于，所述将所述第一向量与所述位置编码输入至神经网络中进行编码与解码后，通过预测头输出预测框和类别信息之后，还包括：

8.一种水稻叶片病害图像检测装置，其特征在于，所述装置包括：

9.一种水稻叶片病害图像检测设备，其特征在于，所述水稻叶片病害图像检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水稻叶片病害图像检测程序，所述水稻叶片病害图像检测程序配置为实现如权利要求1至7中任一项所述的水稻叶片病害图像检测方法。

10.一种存储介质，其特征在于，所述存储介质上存储有水稻叶片病害图像检测程序，所述水稻叶片病害图像检测程序被处理器执行时实现如权利要求1至7中任一项所述的水稻叶片病害图像检测方法。

技术总结
本发明涉及病害检测技术领域，公开了一种水稻叶片病害图像检测方法、装置、设备及存储介质，该方法包括：获取农业病虫害研究图像数据库，并根据农业病虫害研究图像数据库获得原始数据；构建初始水稻叶片病害检测模型，并将原始数据输入至初始水稻叶片病害检测模型中进行训练，得到训练后的水稻叶片病害检测模型；将待检测的水稻叶片图像输入至训练后的水稻叶片病害检测模型进行检测，并输出检测结果。本发明通过从数据库获取原始数据并对初始模型进行训练，将待检测水稻叶片图像输入训练后模型进行检测，得到检测结果，解决现有方法识别率低，速度慢，实时率不强的问题，具有实时性、低成本、一站式、操作简单以及后期维护方便的效果。

技术研发人员：杨华,邓幸全,曾山,周康,沈浩,张书祥,汪俊雄,冯立,林荡,张海峰
受保护的技术使用者：武汉轻工大学
技术研发日：
技术公布日：2024/1/13