[发明专利]一种基于深度循环的小麦赤霉病的检测方法及其系统

权利要求书

1.一种基于深度循环的小麦赤霉病的检测方法，其特征在于，包括以下步骤：

S1、采集小麦麦穗高光谱图像像元，并对高光谱图像像元进行样本欠采样，以解决数据集不平衡的问题，从而得到具有背景、健康、病害三种特征的用来训练深度卷积神经网络模型的目标数据；

S2、对目标数据进行二维图像的重塑得到灰度图像，并基于灰度图像运用均值去除和主成分分析两种方法进行预处理,均值去除法用于减少不同日期的采样误差；主成分分析法用于在不同观察时间,识别数据的主要特征，并且用于改进光谱数据的可视化；

S3、基于预处理的数据运用深度循环神经网络模型进行训练；深度循环神经网络模型的训练是基于预处理得到的数据按照模型的结构自上而下进行的监督学习,训练过程中的误差自上向下传输，并自动对网络结构参数进行微调，从而达到训练模型的效果；

S4、基于训练得到的模型准确率和损失率来分析深度循环神经网络模型的分类效果。

2.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述步骤S1中对高光谱图像像元进行样本欠采样具体包括：对原始数据进行随机抽样；所述的数据集分为70％的训练集和30％的验证集。

3.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述步骤S2具体包括：将高光谱图像像元的光谱二维数据转化为灰色图像；并对灰度图像运用标准化、均值去除的方法进行加速梯度下降的预处理。

4.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述深度循环神经网络是时间序列数据的经典框架，其由原始的深度循环神经网络改进得到的模型框架：LSTM框架和GRU框架；所述LSTM框架和GRU框架均有三个堆积层；

所述LSTM框架由三个门组成：一个忘记门，一个输入门，一个输出门；

所述GRU框架比LSTM框架多一个更新门和一个输入门。

5.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法，其特征在于，所述步骤S4具体包括：利用数据训练之后得到的精确度P、召回率R和F1分数来评估模型以确定小麦是否感染赤霉病；

所述精确度P由以下公式得出：

所述召回率R由以下公式得出：

所述F1分数由以下公式得出：

其中，公式中的TP代表模型预测为正的正样本，称作判断为真的正确率；TN代表模型预测为负的负样本，称作判断为假的正确率；FP代表模型预测为正的负样本，称作误报率；FN代表模型预测为负的正样本，称作漏报率。

6.根据权利要求1所述的一种基于深度循环的小麦赤霉病的检测方法的病害分类系统，其特征在于，包括以下模块：

噪声去除模块，用于采集小麦麦穗高光谱图像，并对高光谱图像进行去除噪声处理，得到目标数据；

第一处理模块，用于对目标数据进行二维图像的重塑来作为灰度图像，并基于灰度图像进行预处理；

第二处理模块，用于基于预处理的数据运用深度循环神经网络对数据进行训练；

病害分类模块，用于基于训练的结果来分析深度循环神经网络模型的分类效果。