[发明专利]一种木薯病害识别方法

说明书

本发明公开了一种木薯病害识别方法，其包括：S1、采集木薯叶部的病害图像，并进行分类；S2、对分类后的所述病害图像进行预处理；S3、对所述图像数据进行数据扩充，形成图像数据集；S4、将所述图像数据集划分训练集、验证集和测试集；S5、构建网络模型；S6、将所述训练集的图像数据放入到所述网络模型中进行训练，每训练完一次，使用所述验证集的图像数据进行验证，直至完成网络模型的训练；S7、将所述测试集中的图像数据放入到所述网络模型中进行病害识别。本发明极大地缩减了模型构建时间，提高了模型的准确率，提升了其识别效果。

技术领域

本发明涉及农业病虫害识别技术领域，尤其涉及一种木薯病害识别方法。

背景技术

近年来，国内对木薯需求不断增加，但由于空气污染及环境恶化的影响，木薯主产地非洲及越南等国产量逐渐减少，直接造成当地数百亿的经济损失。导致木薯产量下降的直接原因是因环境恶化所产生的一系列病害，其中，花叶病(Mosaic Disease)，绿斑病(Green Mottle)，白叶枯病(Bacterial Bight)，褐条病(Brown Streak)为影响木薯产量的主要病症。及时准确地判断病虫害的类型，减少此类病害对木薯产量的影响十分重要。目前针对病虫害的检测主要以具有相关专业知识的人工进行实地考察目测的方式进行判断，这种方法需要耗费大量的时间以及人力。近年来随着计算机视觉技术及神经网络的发展，许多研究人员使用机器学习的算法对农作物的病虫害进行识别，但是此类通用方法效果欠佳，受各种环境因素的影响，鲁棒性差，很难在农业应用上进行实地推广。

发明内容

基于此，有必要针对上述技术问题，提供一种识别效果好、准确率高的木薯病害识别方法。

一种木薯病害识别方法，其包括：

S1、采集木薯叶部的病害图像，并进行分类；

S2、对分类后的所述病害图像进行预处理；

S3、对所述图像数据进行数据扩充，形成图像数据集；

S4、将所述图像数据集划分训练集、验证集和测试集；

S5、构建网络模型；

S6、将所述训练集的图像数据放入到所述网络模型中进行训练，每训练完一次，使用所述验证集的图像数据进行验证，直至完成网络模型的训练；

S7、将所述测试集中的图像数据放入到所述网络模型中进行病害识别。

在其中一个实施例中，所述步骤S1中，对所述病害图像进行分类包括：搜索网络获取到相关木薯病害图像数据，然后，按病害类别使用Labelimg对病害图像进行人工标签分类。

在其中一个实施例中，所述步骤S2中，对分类后的所述病害图像进行预处理包括：

S21、使用Pytorch的transform函数库对所述病害图像进行降噪处理；

S22、将所述病害图像进行统一裁剪到256*256大小。

在其中一个实施例中，所述步骤S21中，降噪处理方式为高斯模糊，使用5*5的领域窗口，标准差为3；所述步骤S22中，裁剪方式为以图像中心为原点进裁剪，对不足256*256大小的图像，以最短边进行计算，进行放大到256后，再裁剪。

在其中一个实施例中，所述步骤S3中，对所述图像数据进行数据扩充，形成图像数据集包括：

对所述图像数据进行旋转角度、随机裁剪、修改亮度和对比度、随机翻转中的任意一种或多种方式；

所述旋转角度方式包括：对图像数据在0°～90°范围内进行随机角度旋转，并以图像变换中心为原点，对旋转后的图像进行裁剪使之大小相同的图像；