[发明专利]一种基于深度混合的小麦赤霉病的检测方法及其系统

说明书

本发明公开了一种基于深度混合的小麦赤霉病的检测方法，包括如下步骤：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，并基于灰度图像进行预处理；S3、基于预处理的数据运用深度卷积循环混合神经网络对数据进行训练；S4、基于训练的结果来分析深度卷积循环混合神经网络模型的分类效果；本发明利用高光谱成像技术对小麦赤霉病进行早期的快速和无破坏检测，提高了对被测小麦区域分类结果的准确性。

技术领域

本发明涉及小麦赤霉病的诊断方法领域，特别涉及一种基于深度混合的小麦赤霉病的检测方法及其系统。

背景技术

小麦赤霉病是小麦的重要病害，其主要分布于潮湿和半潮湿区域，尤其气候湿润多雨的温带地区受害严重，在我国一直是淮河以南及长江中下游麦区发生最严重的病害之一。而近年来，安徽地区的小麦赤霉病已从常发区的淮南麦区推进到淮北麦区。小麦感染赤霉病后如果防治不当会造成减产，严重的会造成绝收，给生产造成严重产量损失和品质影响。当小麦被真菌感染后，会产生多种真菌毒素，其中最严重的是脱氧雪腐镰刀菌烯醇(DON)，会对人、畜造成严重的伤害，而且会在食物链中长期存留。

高光谱成像技术是集光学、电子学、光电子学、计算机科学、信息处理等先进技术为一体的光学图像采集分析技术，可同时获取研究对象的图像信息和光谱信息。因为高光谱图像具有波段多、分辨率高、操作简单、对样品无损害、光谱范围窄、无污染、波段连续、数据量大、信息冗余量大，因而被人们广泛研究应用，尤其是应用于农业领域。陈纳等人利用高光谱成像技术对油菜菌核病进行快速诊断研究；张航利用高光谱成像技术对皮棉中的地膜进行识别方法的研究；张琳利用高光谱成像技术对病害的诊断方法进行研究；尹丽华利用高光谱成像技术对鲜枣进行分级研究；Yeh等人采用了不同的分析方法对草莓叶面炭疽病进行了高光谱诊断研究；Gabriel等通过研究蓝莓500～1000nm范围的高光谱数据与内部硬度、可溶性固形物含量的相关关系等。

当前对于作物病害的检测方法是大多数集中在图像检测和光谱检测，而高光谱成像诊断技术是目前国际上检测农作物病虫害先进的方法之一。虽然高光谱成像诊断技术备受专家学者的关注，但由于高光谱图像数据的空间维度高、数据信息量大等特点，绝大部分应用只能基于成熟的软件开展进行，并且很难从冗余的数据中准确提取到有效的特性信息对病害进行分类。因此大范围、高纬度、大数据级的高光谱数据建模方法研究是现在高光谱研究中的重点和难点。为解决以上高光谱数据的问题，本专利主要基于深度学习方法，通过建立深度卷积-循环混合神经网络模型来对小麦赤霉病进行诊断。

现阶段国内外对于小麦赤霉病的诊断存在以下三方面问题：1.植保方面专家没有足够时间诊治农事活动中出现的所有问题；2.传统的农作物病害诊断方法存在一定的缺陷，普通农民工作者对病害专业知识的掌握较为欠缺；3.当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题。因此，研究一种对小麦赤霉病检测速度快、检测准确度高的方法对于精确防控和诊断病害具有重要意义。

发明内容

本发明提供一种基于深度混合的小麦赤霉病的检测方法，其解决了当前主流的病害检测方法通常具有局部性、滞后性、破坏性和间接性等问题；该模型整体的泛化能力和鲁棒性更强。模型的泛化能力指的是对不同样本的适应能力，模型的鲁棒性指的是对噪声的控制能力。该模型基于深度神经网络模型和深度循环神经网络模型的优点，在模型的泛化能力和鲁棒性上得到了提高，即该混合模型可以有效地分类小麦赤霉病高光谱图像并在数据含有噪声的情况下能够有效地控制模型的输出，从而对小麦赤霉病进行更好地诊断。

本发明解决其技术问题所采用的技术方案是：一种基于深度混合的小麦赤霉病的检测方法，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；