[发明专利]一种蔬菜病害检测方法及系统

说明书

本发明提供一种蔬菜病害检测方法及系统，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。本发明提供的蔬菜病害检测方法及系统，利用掩码残差卷积网络，提取病斑图像的特征，并结合环境特征，实现病斑图像与环境参数结合的复杂生产环境下，实现了针对小样本蔬菜图像的高精度病害诊断难题。

技术领域

本发明涉及农业智能检测领域，尤其涉及一种蔬菜病害检测方法及系统。

背景技术

病害是影响蔬菜品质的重要因素，因此，在农业生产过程中对病害的即时监测与有效防治越来越受到重视。例如茄科蔬菜，由于病害种类多、发病频率高、如果病害发现不及时、诊断不准确，就无法施以及时、有效、针对性的防治措施，从而会造成大面积降产甚至停产。

目前，随着人工智能技术快速发展，全世界农业科研领域对植物病害智能化识别相关的研究逐渐深入，但多数是基于单纯的图像识别技术实现的，仅少数通过环境参数和图像参数进行综合诊断。其中，基于图像的病害识别主要有两类，一类为基于先验病害图像特征的传统机器学习图像识别方法，另一类为基于卷积神经网络的病害图像识别。

一方面。现有技术中所采用的基于机器学习的蔬菜病害识别方法，主要是通过病斑图像的颜色特征、形状特征和纹理特征构成病害图像的分类特征向量。然后利用粗糙集理论、遗传算法、局部判别映射和局部线性嵌入等算法对病害特征进行筛选。然后利用多特征切割法和最大类间方差阈值法，k-means硬聚类算法、分水岭分割算法、全阈值和自适应阈值对图像病斑进行分割。然后利用灰度共生矩阵和逐步判别分析法进行特征提取。最后通过BP神经网络、支持向量机和贝叶斯判别法等进行分类识别。但上述方法虽然在特定数据集和生产环境下有较高的性能，但其进行图像分割的过程过于繁琐、鲁棒性差(lowrobust)，因其特征提取方法不具有普适性，使得模型整体的泛化能力较差。

另一方面，现有技术中也记载了通过病害图像的图形特征与环境、气象特征结合，进行融合特征的模型训练，但他们的图像分割过程太繁琐，特征提取依赖先验知识、不具备普适性，使得模型整体的泛化能力较低、复杂环境图像识别的鲁棒性不强、耦合度较高(high coupling)、存在过拟合(overfitting)现象。

发明内容

针对现有技术存在的问题，本发明实施例提供一种蔬菜病害检测方法及系统。

本发明提供一种蔬菜病害检测方法，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。

可选地，根据本发明提供的一种蔬菜病害检测方法，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。