[发明专利]一种基于遥感图像的农作物病害识别方法

说明书

本发明公开了一种基于遥感图像的农作物病害识别方法，包括如下步骤：S1、基于YOLT模型实现遥感图像中农作物目标的检测；S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；S5、基于DSSD__Inception_V2_coco模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。本发明可以实现农作物病害的快速识别和统计分析。

技术领域

本发明涉及图像识别领域，具体涉及一种基于遥感图像的农作物病害识别方法。

背景技术

农作物病害是我国主要农业灾难之一，它具有种类多、影响大并时常暴发成灾的特点，不仅对农作物生产造成损失，还会对食品安全产生威胁。因此农作物病害的诊断和鉴定，对保证作物产量、预防食品安全起着重要的作用，同时，实现精准的检测农作物病害以及病害程度的测定是对农作物病害防治的关键。目前，传统的农作物病害识别，主要依赖于历代农民在农业生产过程中积累的经验来进行判断，费时费力的同时，实时性、准确性均较差。

随着深度学习的日益发展，将卷积神经网络应用于农作物病害识别中取得了较好的识别效果。深度学习中的卷积神经网络对图像具有强大的特征提取能力，可以从像素级的原始数据中抽象出语义概念并逐层提取，筛选掉冗余信息，这使得它在提取图像更详尽的全局特征方面有着突出的优势。因此，如何利用卷积神经网络进行农作物病害检测是目前迫切需要解决的问题。

发明内容

为解决上述问题，本发明提供了一种基于遥感图像的农作物病害识别方法，可以实现农作物病害的快速识别和统计分析。

为实现上述目的，本发明采取的技术方案为：

一种基于遥感图像的农作物病害识别方法，包括如下步骤：

S1、基于YOLT模型实现遥感图像中农作物目标的检测；

S2、基于检测结果在遥感图像中挖掘出该农作物目标对应的农作物图像区域，生成农作物图像；

S3、基于热力图的病害图像去遮挡算法去除农作物图像内的农作物遮挡信息；

S4、基于显著图的病害图像分割方法，利用显著图检测策略,获取农作物图像的显著图,将显著图作为掩码图像,对农作物图像进行复杂背景分割；

S5、基于DSSD__Inception_V2_coco 模型实现农作物图像中孔洞、斑点、害虫轨迹等的检测识别。

进一步地，所述DSSD__Inception_V2_coco 模型采用DSSD目标检测算法，用coco数据集预训练Inception_V2_深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测农作图像中孔洞、斑点、害虫轨迹等的目标检测模型。

进一步地，还包括基于连通分量外接矩形的长宽比进行孔洞、斑点、害虫轨迹等形状尺寸的识别的步骤。

进一步地，还包括在农作物图像对应位置处以超链接的形式标记病害检测结果以及对应的形状尺寸参数的步骤。

进一步地，还包括根据遥感图像的时间顺序将同一个位置的农作物图像进行排列的步骤。

进一步地，还包括根据完成排列的农作物图像对应的病害检测结果以及对应的形状尺寸参数实时绘制病害情况曲线实现监测区域内病害情况统计的步骤。

进一步地，还包括读取每一个遥感图像的地理位置参数，为每一个农作物图像标记地理位置参数的步骤。