[发明专利]基于叶片病斑面积的病虫害监测方法

说明书

本发明公开了一种基于叶片病斑面积的病虫害监测方法，包括步骤：通过无人机采集多张农作物图像，所述图像为三维张量，包括图像高度、图像宽度和波段数，与所述图像对应的头文件中包括经度坐标和纬度坐标；所述无机人中包括深度学习模块，实时对采集的所述农作物图像进行深度学习模型处理，识别和定位农作物叶片斑，并定量计算农作物叶片斑与农作物叶片面积比，确定病虫害等级分布。本发明使用无人机遥感与计算机视觉目标识别的集成技术，基于深度学习对病虫害的空间动态分布进行高精度实时监测。

技术领域

本发明涉及人工智能领域，更具体地，涉及一种基于叶片病斑面积的病虫害监测方法。

背景技术

作物病虫害现已凸显为制约农业生产的主要因素。中国是病虫害多发的国家，其受灾范围广、程度严重已经对农业生产造成了直接重大经济损失。因此，应用先进的病虫害监测技术，及早发现病虫害，监测病虫害的发生发展状况，在关键生育期采取科学有效的防治手段，将有利于保障农产品质量安全，实现农业的可持续发展。

传统的病虫害监测方法采用田间定点监测或随机调查的方式，直接用肉眼观测病害或者用捕捉害虫的方法判断病虫害发生的可能性。传统方法有观测误差大、缺少定量标准、耗时长、效率低等缺点。

以水稻为例，在感染稻瘟病时，水稻植株的多个部位会出现病斑，包括叶片斑、叶鞘斑、茎节斑和穗颈斑等，其中叶片斑特征明显，分布位置易于发觉，因此叶片斑与叶片面积比例是衡量水稻病情的重要指标。

发明内容

有鉴于此，本发明提供了一种基于叶片病斑面积的病虫害监测方法，包括步骤：

通过无人机采集多张农作物图像，所述图像为三维张量，包括图像高度、图像宽度和波段数，与所述图像对应的头文件中包括经度坐标和纬度坐标；

所述无机人中包括深度学习模块，实时对采集的所述农作物图像进行深度学习模型处理，识别和定位农作物叶片斑，并定量计算农作物叶片斑与农作物叶片面积比，确定病虫害等级分布，包括：

对采集的每一张农作物图像进行预处理和标注；

将进行标注后的多张所述农作物图像构建数据集，将所述数据集分为训练集与测试集；

通过用于图像语义分割的LINKNET卷积神经网络对所述训练集进行训练，得到用于监测病斑的深度学习模型；

将所述测试集输入到所述深度学习模型中，通过LINKNET卷积神经网络中的编码器提取所述测试集中每张农作物图像的语义特征；

通过LINKNET卷积神经网络中的解码器将所述语义特征分割出具有农作物叶片斑轮廓和叶片轮廓的灰度热力图，所述灰度热力图即为分割结果，在所述灰度热力图中农作物叶片斑轮廓和叶片轮廓具有不同的灰度，所述灰度热力图的尺寸与采集的农作物图像尺寸相同，在所述灰度热力图中任一像素的值代表深度学习模型预测该位置物体所属的语义类别：0代表背景，1代表病斑，2代表叶片，分别计算语义列别为1和语义类别为2的像素总数，即可得到所述农作物图像对应的病斑/叶片面积比；

根据所述灰度热力图定量计算出农作物叶片斑与农作物叶片面积比，根据所述经度、维度、以及农作物叶片斑与农作物叶片面积比在地图网格中进行插值，形成目标区域的病虫害等级空间分布图。

优选地，所述对采集的每一张农作物图像进行预处理和标注，包括：

对每一张农作物图像进行预处理，删除其中没有农作物的图像或者人的视觉辨识农作物困难的图像，得到预处理图像；

对所述预处理图像进行标注，将预处理图像中的农作物叶片和农作物叶片斑进行描轮廓。

优选地，所述预处理还包括图像裁剪处理，将每一张农作物图像进行裁剪，裁剪后每一张农作物图像高度小于或等于第一预设像素值，图像宽度小于或等于第二预设像素值。