[发明专利]一种蔬菜病害检测方法及系统

权利要求书

1.一种蔬菜病害检测方法，其特征在于，包括：

获取待测蔬菜叶片图像；

将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果；

根据所述识别预测结果，确定所述待测蔬菜叶片图像的蔬菜病害检测结果；

所述掩码残差卷积网络包括ResNet子网络、FPN子网络、RPN子网络和FCN子网络。

2.根据权利要求1所述的蔬菜病害检测方法，其特征在于，所述识别预测结果包括掩模预测结果、边框预测结果和分类预测结果；

所述将所述待测蔬菜叶片图像输入至预先训练好的掩码残差卷积网络，获取识别预测结果，包括：

利用所述ResNet子网络，对所述待测蔬菜叶片图像进行识别，获取所述待测蔬菜叶片图像相关的图像特征；

利用所述FPN子网络，根据所述图像特征，生成多个特征图；

利用所述RPN子网络，根据所述多个特征图，确定所述待测蔬菜叶片图像相关的检测候选区域；

基于RoI Align算法，将所述检测候选区域映射至所述待测蔬菜叶片图像，获取分类特征图、边框回归特征图以及掩模特征图；

利用所述FCN子网络，对所述掩模特征图进行掩模特征计算，获取掩模预测结果；

将所述边框回归特征图展开为一维特征向量；

基于正负样本计算方法对所述一维特征向量进行边框预测，获取边框预测结果；

将所述一维特征向量和环境参数向量相连接，获取综合特征矩阵；基于训练好的分类器对所述综合特征矩阵进行分类识别，获取分类预测结果。

3.根据权利要求2所述的蔬菜病害检测方法，其特征在于，所述ResNet子网络包括：

第一特征提取模块，包括64个卷积核为7*7*3、步长为2的卷积层和1个步长为2的池化层；

第二特征提取模块，包括依次串联的1个第一尺度层和2个第一特征层，所述第一尺度层包括64个卷积核为1*1*64的卷积层、64个卷积核为3*3*64的卷积层、256个卷积核为1*1*64的卷积层，每个所述第一特征层包括64个卷积核为1*1*256的卷积层、64个卷积核为3*3*64的卷积层和256个卷积核为1*1*64的卷积层；

第三特征提取模块，包括依次串联的第二尺度层和3个第二特征层，所述第二尺度层包括128个卷积核为1*1*256步长为2的卷积层、128个卷积核为3*3*128的卷积层、512个卷积核为1*1*128的卷积层，每个所述第二特征层包括128个卷积核为1*1*512的卷积层、128个卷积核为3*3*128的卷积层和512个卷积核为1*1*128的卷积层；

第四特征提取模块，包括依次串联的第三尺度层和22个第三特征层，所述第三尺度层包括256个卷积核为1*1*512步长为2的卷积层、256个卷积核为3*3*256的卷积层、1024个卷积核为1*1*256的卷积层，每个所述第三特征层包括256个卷积核为1*1*1024的卷积层、256个卷积核为3*3*256的卷积层和1024个卷积核为1*1*256的卷积层；

第五特征提取模块，包括依次串联的第四尺度层和2个第四特征层，所述第四尺度层包括512个卷积核为1*1*1024步长为2的卷积层、512个卷积核为3*3*512的卷积层、2048个卷积核为1*1*512的卷积层，每个所述第四特征层包括512个卷积核为1*1*2048的卷积层、512个卷积核为3*3*512的卷积层和2048个卷积核为1*1*512的卷积层。

4.根据权利要求3所述的蔬菜病害检测方法，其特征在于，所述利用所述FPN子网络，根据所述图像特征，生成多个特征图，包括：

将所述第五特征提取模块的输出结果经过256个卷积核为1*1*2048的卷积层，获取第五特征图；

将所述第四特征提取模块的输出结果经过256个卷积核为1*1*1024的卷积层，并与所述第五特征图的上采样结果融合获取第四特征图；

将所述第三特征提取模块的输出结果经过256个卷积核为1*1*512的卷积层，并与所述第四特征图的上采样结果融合获取第三特征图；

将所述第二特征提取模块的输出结果经过256个卷积核为1*1*256的卷积层，并与所述第三特征图的上采样结果融合获取第二特征图。