[发明专利]一种基于区域卷积神经网络的茶叶病害检测方法

说明书

本发明公开了一种基于区域卷积神经网络的茶叶病害检测方法，包括如下步骤：S1形成训练集样本数据，S2获得待检测叶片图像的特征图，S3生成特征图建议区域，S4完成检测并输出待检测叶片图像病害类别的概率向量。本发明基于区域卷积神经网络，将待检测的叶片图像输入区域卷积神经网络的基础网络获得特征图，在区域建议网络生成待检测叶片图像的建议区域进行过滤，并作为区域卷积神经网络检测网络的输入，由区域卷积神经网络进行待检测叶片图像病害种类的检测识别并输出病害种类的概率向量，以提供给茶农及时有效地对茶园茶树叶片病害情况进行检测和茶树叶片病害种类识别，辅助茶农防治茶园病害工作。

技术领域

本发明属于图像识别的技术领域，具体涉及一种基于区域卷积神经网络的茶叶病害检测方法。

背景技术

茶叶作为我国重要的经济作物之一，其产量和质量与茶树的种植技术密不可分。茶树在种植过程中，存在各种病害，直接影响茶叶的质量和产量。茶树病害种类全世界己报道的约有500种，我国己报道的有133种。在500种病害种类中，从病害对茶树的加害部位分析，发生在茎部的病害种类达226种，其中，叶部126种、根部104种、花部19种，以茶树叶部发生病害的占比最大。

目前，茶树病害防治主要是通过茶农在茶园现场人工观测、主观判断，再反馈茶园病害情况给少数植保专家或农技人员。由于同样的病害不同发病阶段呈现不同的特征变化，在茶树发病初期，叶片区域病斑面积较小，并且在自然生长条件的复杂背景下茶叶病害特征表现不明显，就需要植保专家或农技人员及时到现场技术支持。越来越多的迹象表明，茶树病害预防与控制需求的增多与植保专家或农技人员相对较少的矛盾已日益加剧，不能很好地预防和控制茶园作物病害的爆发，对茶树生长、茶叶产量、茶叶质量造成严重的损失。

在当今图像识别领域，基于深度学习的学习算法成为众多学者研究的热点，在计算机视觉领域被广泛应用，如人脸识别、图像分类、图像分割等，并取得了较好的效果。因此，根据茶园采集的茶树叶片图像来进行自动检测识别茶叶病害种类，及时有效地辅助茶农管理茶园病害工作具有重要意义。

发明内容

为解决上述技术问题中的至少之一，本发明提出一种基于区域卷积神经网络的茶叶病害检测方法。

本发明的目的通过以下技术方案实现：提供一种基于区域卷积神经网络的茶叶病害检测方法，包括如下步骤：

S1形成训练集样本数据，采集若干茶树叶片的图像作为样本图像，对样本图像进行预处理，得到健康叶片和病害叶片样本图像数据，将样本图像数据作为训练集和检测集；

S2获得待检测叶片图像的特征图，在区域卷积神经网络的基础网络部分输入待检测叶片图像并获得特征图，将特征图作为区域建议网络的输入；

S3生成特征图建议区域，区域建议网络采用滑动窗口在特征图上扫描生成锚点，对锚点对应不同形态的锚点样本框进行重叠区域过滤，并用来训练区域卷积神经网络。在训练过程中，实现区域建议网络与区域卷积神经网络共享公共卷积层，训练完成后，对区域建议网络生成的建议区域进行过滤。

S4完成检测并输出待检测叶片图像病害类别的概率向量，将步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，检测网络完成叶片图像病害的检测识别和分类。

作为进一步的改进，所述区域卷积神经网络包括基础网络、区域建议网络、检测网络。

作为进一步的改进，所述基础网络基于经典卷积神经网络，由卷积层、修正线性单元和池化层组成。

作为进一步的改进，在步骤S3中，区域建议网络与区域卷积神经网络之间采用交替训练来实现公共卷积层的特征共享。

作为进一步的改进，在S3步骤中，所述区域建议网络和区域卷积神经网络的卷积层特征共享，具体步骤如下：