[发明专利]融合多种上下文深度学习模型的水稻病害图像检测方法

说明书

本发明涉及融合多种上下文深度学习模型的水稻病害图像检测方法，与现有技术相比解决了水稻病害检测未考虑其相关条件因素的缺陷。本发明包括以下步骤：训练样本的收集和预处理；基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型；待检测水稻图像的空间、位置、温湿度信息收集和预处理；病害在水稻图像中具体位置的标记。本发明不仅考虑了病害图像本身的特征，还考虑了采集时空间、时间、温湿度等相关因素，通过对水稻病害图像全局上下文训练模型、水稻病害图像局部上下文训练模型、水稻病害属性约束上下文训练模型的融合，提高了田间复杂应用情况下水稻病害图像检测与识别能力，提高了水稻病害图像检测率。

技术领域

本发明涉及图像识别技术领域，具体来说是融合多种上下文深度学习模型的水稻病害图像检测方法。

背景技术

如何精准的检测与识别水稻病害一直是困扰农作物预测预报的问题，由于农田环境下，水稻病害发生的部位、程度的不同，加大了人工目测的难度。目前水稻病害的检测工作主要是依靠少数植保专家和农技人员来完成的，但农田环境下水稻图像背景复杂，农技人员受知识水平因素影响，凭借肉眼方式难以保证其准确度。同时，由于自然环境下水稻病害的图像背景复杂，并配上光照、阴影等影响，使得传统的自动检测方法效率低、鲁棒性差。此外，目前检测方法大多数集中在图像本身特征提取，忽略了水稻病害发生时的空间、位置以及对应的温湿度等相关条件因素的考虑，也致使水稻病害的识别只能存在于实验阶段。

如何能够提高水稻病害检测的准确性已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中水稻病害检测未考虑其相关条件因素的缺陷，提供一种融合多种上下文深度学习模型的水稻病害图像检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种融合多种上下文深度学习模型的水稻病害图像检测方法，包括以下步骤：

训练样本的收集和预处理，收集若干幅水稻病害图像及其相对应病害发生时的时间、空间、温湿度信息作为训练数据，人工标记出水稻图像中病害发生部分，将所有标记图像的大小归一化为32×32像素，得到若干类病害，每类病害有若干个病害图像训练样本；

基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型，构建水稻病害图像全局上下文训练模型、局部上下文训练模型，并引入不同水稻病害发生时空间、时间、温湿度上下文信息作为特征数据，训练基于多种上下深度学习的水稻病害检测模型；

待检测水稻图像的空间、位置、温湿度信息收集和预处理，获取待检测水稻图像及信息，将待检测水稻图像的大小归一化为512×512像素，通过预训练网络获得候选区域图像块的特征；

病害在水稻图像中具体位置的标记，将待检测图像的空间、位置、温湿度信息及其候选区域图像块的特征输入训练后的水稻病害检测模型，进行水稻病害的识别与检测，定位并标记出病害在图像中具体位置。

所述的基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型包括以下步骤：

构建水稻病害图像全局上下文训练模型；

构建水稻病害图像局部上下文训练模型；

收集水稻病害全局图像，

收集水稻病害图像数据集X_i表示病害图像，Y_i表示对应的病害图像标记信息；

收集水稻病害局部图像，

以水稻病害图像训练数据集为基础，通过以下公式收集水稻病害局部图像数据集其公式如下：