[发明专利]基于深度卷积神经网络的水稻穗瘟检测方法及系统

权利要求书

1.基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：所述方法包括：

采集户外水稻穗株的高光谱图像，并进行穗瘟病害标定；

对水稻穗株的高光谱图像进行数据预处理及数据增强；

建立深度卷积神经网络模型，并采用随机梯度下降算法优化模型参数；

采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害；

所述对水稻穗株的高光谱图像进行数据预处理及数据增强，具体为：

对水稻穗株的高光谱图像进行裁切，去除无稻穗的背景部分，对裁切处理后的水稻穗株高光谱图像通过随机扔弃波段和随机平移平均光谱图像亮度两种策略增强数据，增加训练样本数量，形成增强训练数据集；

通过随机扔弃波段增强数据，具体为：

从裁切后的水稻穗株高光谱图像样本的260个波段中随机扔弃1个波段图像，为此对每个样本处理之前，产生区间[1，260]之间的一个随机数r，从三维高光谱立方体中扔弃第r个波段图像，再沿着波段轴计算平均光谱图像；

通过随机平移平均光谱图像亮度增强，具体包括：

计算平均光谱图像的最大和最小像素点值，分别记为max和min，求出(max-min)/2，记为tag；计算平均光谱图像的平均像素值，记为mean；

计算min/3，记为a；计算(1-max)/3，记为b；比较a与b的大小，若a＞b，则随机数区间为[b，a]，否则随机数区间为[a，b]；产生随机数区间中的一个随机值，记为r′；

比较mean与tag的大小，若mean＞tag，则平均光谱图每个像素点减去随机值r；若mean＜tag，则平均光谱图像每个像素点加上随机值r′。

2.根据权利要求1所述的基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：所述户外采集及标定水稻穗株的高光谱图像，具体为：

从稻瘟病自然诱发的天然病区采集黄熟初期水稻样本，覆盖多个水稻品种，在进行泥水清理后，采集水稻穗株的高光谱图像，并进行穗瘟病害标定。

3.根据权利要求1所述的基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：所述建立深度卷积神经网络模型，具体为：

采用多尺度卷积组合成多分支并行结构的Inception模块，多次重复堆叠构成深度卷积神经网络模型。

4.根据权利要求3所述的基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：每个Inception模块包括卷积核分别为1×1，3×3，5×5三个分支和1个3×3的池化分支；其中，3×3和5×5支路在其分支入口处各自级联了1个1×1卷积，以降低输入数据维度并增强分支提取局部微结构特征的非线性特性，3×3池化分支在其出口处级联了1个1×1卷积层。

5.根据权利要求1所述的基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：所述采用随机梯度下降算法优化模型参数，具体为：

从深度卷积神经网络模型的训练集中随机抽取32个样本构成样本批包进行一次深度卷积神经网络模型的更新，该过程迭代进行；其中，初始学习率设定为1e^-5，学习率采取步进阶梯调节策略step，即每隔3000个训练迭代调整一次学习率，学习率调整因子为0.96，动量参数设定为0.9，依据测试识别率及损失函数趋于稳定原则，设定训练集重复14次，即epoch参数设定为14。

6.根据权利要求1所述的基于深度卷积神经网络的水稻穗瘟检测方法，其特征在于：所述采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害，具体为：

将需测试水稻穗株的高光谱图像进行平均光谱图像计算，对平均光谱图像进行归一化处理，采用训练好的深度卷积神经网络模型进行分数计算，判断该水稻穗株是否感染穗瘟病害。

7.基于深度卷积神经网络的水稻穗瘟检测系统，其特征在于：所述系统在户外搭建，包括高光谱相机、计算机、三脚架和反射板，所述反射板上挂着水稻穗株，所述高光谱相机固定在三脚架上，并与计算机相连，高光谱相机的镜头对准反射板上的水稻穗株；

所述高光谱相机，用于采集任意光照条件下的水稻穗株高光谱图像；

所述计算机用于实现如下操作：

将高光谱相机采集的水稻穗株高光谱图像进行穗瘟病害标定；

对水稻穗株的高光谱图像进行数据预处理及数据增强；

建立深度卷积神经网络模型，并采用随机梯度下降算法优化模型参数；

采用训练好的深度卷积神经网络模型对需测试水稻穗株的高光谱图像进行检测，判断该水稻穗株是否感染穗瘟病害；

所述对水稻穗株的高光谱图像进行数据预处理及数据增强，具体为：

对水稻穗株的高光谱图像进行裁切，去除无稻穗的背景部分，对裁切处理后的水稻穗株高光谱图像通过随机扔弃波段和随机平移平均光谱图像亮度两种策略增强数据，增加训练样本数量，形成增强训练数据集；

通过随机扔弃波段增强数据，具体为：

从裁切后的水稻穗株高光谱图像样本的260个波段中随机扔弃1个波段图像，为此对每个样本处理之前，产生区间[1，260]之间的一个随机数r，从三维高光谱立方体中扔弃第r个波段图像，再沿着波段轴计算平均光谱图像；

通过随机平移平均光谱图像亮度增强，具体包括：

计算平均光谱图像的最大和最小像素点值，分别记为max和min，求出(max-min)/2，记为tag；计算平均光谱图像的平均像素值，记为mean；

计算min/3，记为a；计算(1-max)/3，记为b；比较a与b的大小，若a＞b，则随机数区间为[b，a]，否则随机数区间为[a，b]；产生随机数区间中的一个随机值，记为r′；

比较mean与tag的大小，若mean＞tag，则平均光谱图每个像素点减去随机值r；若mean＜tag，则平均光谱图像每个像素点加上随机值r′。