农作物病虫害的智能监测方法及其系统与流程

本申请涉及智能监测领域，且更为具体地，涉及一种农作物病虫害的智能监测方法及其系统。

背景技术：

1、实地观察是一种重要而有效的农作物病虫害监测方法，它指的是农民和专业人员通过实地观察识别受到病虫害影响的农作物部位、程度和类型，但是这种监测方法也存在不足之处，比如实地观察中的人员的主观判断和经验水平会产生不同程度的误差，并且可能会感知相同的事物但描述和记录的细节不一样，实地观察也只能捕捉到人眼所能看到的范围，更微观和小尺度的变化人眼难以察觉。

2、因此，期待一种优化的农作物病虫害的智能监测方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种农作物病虫害的智能监测方法及其系统，其通过对待检测农作物的叶片纹理进行特征提取从而来识别农作物感染病虫害的类型。这样，有利于提高了病虫害检测的准确性，减轻了人力的工作负担，还提高了农作物病虫害防治的效率。

2、根据本申请的一个方面，提供了一种农作物病虫害的智能监测方法,其包括：

3、获取待检测农作物叶片的检测图像；

4、将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像；

5、将所述像素增强检测图像从rgb颜色空间转化为ycbcr颜色空间并抽取各个通道的lbp纹理特征直方图；

6、将所述各个通道的lbp纹理特征直方图沿通道维度进行聚合以得到多通道lbp纹理特征直方图；

7、将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图；

8、将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测农作物感染的病虫害类型；以及

9、基于所述分类结果，对所述待检测农作物采取对应的病虫害防治措施。

10、在上述农作物病虫害的智能监测方法中，所述将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像，包括：将所述检测图像输入训练完成的所述基于对抗生成网络的图像增强器的生成器以得到所述像素增强检测图像。

11、在上述农作物病虫害的智能监测方法中，所述将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：将所述多通道lbp纹理特征直方图通过所述卷积神经网络模型的浅层以得到浅层特征图；将所述多通道lbp纹理特征直方图通过所述卷积神经网络模型的深层以得到深层特征图；以及，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

12、在上述农作物病虫害的智能监测方法中，所述使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图，包括：使用所述深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述分类特征图。

13、在上述农作物病虫害的智能监测方法中，所述卷积神经网络模型的浅层为4-6层，所述卷积神经网络模型的深层与所述卷积神经网络模型的浅层之间的比值大于等于5。

14、在上述农作物病虫害的智能监测方法中，所述将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测农作物感染的病虫害类型，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：

15、o＝softmax{(wn,bn):…:(w1,b1)|project(f)}

16、其中o为所述分类结果，project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量，softmax为归一化指数函数。

17、在上述农作物病虫害的智能监测方法中，还包括：用于对所述深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练阶段；其中，所述训练阶段，包括：获取待检测农作物叶片的训练检测图像；将所述训练检测图像通过所述基于对抗生成网络的图像增强器以得到训练像素增强检测图像；将所述训练像素增强检测图像从rgb颜色空间转化为ycbcr颜色空间并抽取各个通道的训练lbp纹理特征直方图；将所述各个通道的训练lbp纹理特征直方图沿通道维度进行聚合以得到训练多通道lbp纹理特征直方图；将所述训练多通道lbp纹理特征直方图通过所述使用深浅特征融合模块的卷积神经网络模型以得到训练浅层特征图和训练深层特征图，并对所述训练浅层特征图和所述训练深层特征图进行级联以得到训练分类特征图；将所述训练分类特征图通过所述分类器以得到分类损失函数值；计算所述训练浅层特征图和所述训练深层特征图之间的损失概率化鲁棒性值；以及，以所述分类损失函数值和所述损失概率化鲁棒性值的加权和作为损失函数值对所述深浅特征融合模块的卷积神经网络模型和所述分类器进行训练。

18、在上述农作物病虫害的智能监测方法中，所述计算所述训练浅层特征图和所述训练深层特征图之间的损失概率化鲁棒性值，包括：基于线性变换来调整所述训练浅层特征图和所述训练深层特征图之间的特征尺度关系以使得所述训练浅层特征图和所述训练深层特征图具有相同的特征尺度；计算所述训练浅层特征图和所述训练深层特征图中各组对应位置的特征值之间的差值的绝对值以得到绝对值特征图；对所述绝对值特征图中所有位置的特征值进行统计分析以得到分布差异度量值；以及，将所述分布差异度量值除以所述绝对值特征图中的最大特征值以得到所述损失概率化鲁棒性值。

19、根据本申请的另一方面，提供了一种农作物病虫害的智能监测系统，其包括：

20、农作物图像获取模块，用于获取待检测农作物叶片的检测图像；

21、图像增强模块，用于将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像；

22、颜色空间转换模块，用于将所述像素增强检测图像从rgb颜色空间转化为ycbcr颜色空间并抽取各个通道的lbp纹理特征直方图；

23、多通道聚合模块，用于将所述各个通道的lbp纹理特征直方图沿通道维度进行聚合以得到多通道lbp纹理特征直方图；

24、深浅特征提取模块，用于将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图；

25、病虫害类型识别模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测农作物感染的病虫害类型；以及

26、措施采取模块，用于基于所述分类结果，对所述待检测农作物采取对应的病虫害防治措施。

27、与现有技术相比，本申请提供的农作物病虫害的智能监测方法及其系统，其通过对待检测农作物的叶片纹理进行特征提取从而来识别农作物感染病虫害的类型。这样，有利于提高了病虫害检测的准确性，减轻了人力的工作负担，还提高了农作物病虫害防治的效率。

技术特征：

1.一种农作物病虫害的智能监测方法，其特征在于，包括：

2.根据权利要求1所述的农作物病虫害的智能监测方法，其特征在于,将所述检测图像通过基于对抗生成网络的图像增强器以得到像素增强检测图像，包括：将所述检测图像输入训练完成的所述基于对抗生成网络的图像增强器的生成器以得到所述像素增强检测图像。

3.根据权利要求2所述的农作物病虫害的智能监测方法，其特征在于，将所述多通道lbp纹理特征直方图通过使用深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：

4.根据权利要求3所述的农作物病虫害的智能监测方法，其特征在于，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述分类特征图，包括：使用所述深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述分类特征图。

5.根据权利要求4所述的农作物病虫害的智能监测方法，其特征在于，所述卷积神经网络模型的浅层为4-6层，所述卷积神经网络模型的深层与所述卷积神经网络模型的浅层之间的比值大于等于5。

6.根据权利要求5所述的农作物病虫害的智能监测方法，其特征在于，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测农作物感染的病虫害类型，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；

7.根据权利要求6所述的农作物病虫害的智能监测方法，其特征在于，还包括：用于对所述深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练阶段；

8.根据权利要求7所述的农作物病虫害的智能监测方法，其特征在于，计算所述训练浅层特征图和所述训练深层特征图之间的损失概率化鲁棒性值，包括：

9.一种农作物病虫害的智能监测系统，其特征在于，包括：

10.根据权利要求9所述的农作物病虫害的智能监测系统，其特征在于，所述图像增强模块，用于：将所述检测图像输入训练完成的所述基于对抗生成网络的图像增强器的生成器以得到所述像素增强检测图像。

技术总结
本申请涉及智能监测领域，其具体地公开了一种农作物病虫害的智能监测方法及其系统，其通过对待检测农作物的叶片纹理进行特征提取从而来识别农作物感染病虫害的类型。这样，有利于提高了病虫害检测的准确性，减轻了人力的工作负担，还提高了农作物病虫害防治的效率。

技术研发人员：宋德功,谭光平,徐波
受保护的技术使用者：安徽星煌数字科技有限公司
技术研发日：
技术公布日：2024/1/16