[发明专利]基于图像和深度学习的农作物病虫害检测防治装置及方法

说明书

本发明公开一种基于图像和深度学习的农作物病虫害检测防治方法，主控装置训练深度学习模型，获取农作物病虫害的图像特征；将消除噪声干扰信息的二值化图像与农作物病虫害的图像特征进步比对，输出病虫害分类结果和病虫害茶叶的二维位置坐标（x，y）；本专利提出的训练深度学习模型的网络结构，是针对农作物病虫害设计搭建的，网络结构精简，训练成本低，检测准确率高。

技术领域

本发明涉及人工智能和集成控制技术领域，尤其涉及基于图像和深度学习的农作物病虫害检测防治装置及方法。

背景技术

目前，得益于机器视觉和深度学习两大技术的高度契合，在很多工程领域已展开了实际应用，尤其是在工业分拣、安保识别等领域中有了实质性的进展。

然而在农业装备领域，机械自动化水平较高，但智能化水平远远不够，如果实采摘、病虫害识别等工序，仍以人力为主，劳作效率较低，亦或是无差别全面喷灌防治，这样也会造成农药过量且浪费的问题。即使机器视觉技术已经初步应用于农业装备领域，但存在着识别准确率不高、抗环境干扰能力差等问题，所以如何在实际应用环境中提高机器视觉识别准确率成为了一个不可避免的工程难题。

近些年随着深度学习的广泛应用，在各行各业开始发力，如Yolo系列模型、FasterR-CNN模型，已经开始被应用于农业装备领域，但已有的训练模型结构较为冗余，且实时性欠佳。以Yolo-v4模型为例，共53层卷积网络，更适用于多达数十种的目标分类检测，且因为模型复杂度高，所以训练时间成本高，除此以外，现有技术中利用深度学习技术去检测病虫害类别，多停留在检测识别环节，对于如何防治问题，暂时没有一体化解决方案。

发明内容

本发明提供一种茶行自走式机器人及基于图像和深度学习的茶叶病虫害检测及防治方法，能够在硬件成本适中的场景下，集茶叶病虫害检测识别和喷药防治两大环节于一体，达到了减少人力消耗、提高病虫害防治效率的目的。深度学习网络TeaNet与现有技术中常见的区域检测网络对比，本专利提出的针对茶叶病虫害识别的深度学习网络TeaNet模型结构更为精简，减少了无关信息的干扰，节约了训练时间，同时提高了对茶叶病虫害的识别准确率。

本发明所采用的技术方案是：

一种基于图像和深度学习的农作物病虫害检测防治装置，包括：检测防治装置和运动装置，检测防治装置设置在运动装置上；

检测防治装置包括第一检测防治单元和第二检测防治单元；

第一检测防治单元包括支架、相机、主控装置和中部喷头，相机包括第一相机、第二相机和第三相机，所述支架固定设置在运动装置上；中部喷头设置在支架的中部，所述第一相机设置在支架的中部并高出中部喷头，第二相机和第三相机分别设置在运动装置的左侧和右侧；

第二检测防治单元包括第一步进电机、第二步进电机、第一侧边喷头、第二侧边喷头、第一竖直喷头丝杆和第二竖直喷头丝杆

第一竖直喷头丝杆和第二竖直喷头丝杆分别设置在运动装置的左后侧和右后侧，第一步进电机固定设置在第一竖直喷头丝杆上，第二步进电机固定设置在第二竖直喷头丝杆上，第一步进电机控制第一侧边喷头沿第一竖直喷头丝杆上下竖直移动；第二步进电机控制第二侧边喷头沿第二竖直喷头丝杆上下竖直移动；

运动装置包括履带，履带为基于图像和深度学习的农作物病虫害检测防治装置的运动部件，通过履带传动驱使装置前进；

第一相机、第二相机和第三相机都安装在铝型材结构上，分别位于农作物的正上方和左右两侧，负责采集农作物的病虫害图像信息；

中部喷头安装在水平铝型材结构上，负责农作物上方的农药喷洒工作；

通过第一步进电机、第二步进电机使第一侧边喷头和第二侧边喷头分别沿第一竖直喷头丝杆和第二竖直喷头丝杆竖直上下移动，负责农作物左右两侧的农药喷洒工作；