[发明专利]基于掩码卷积神经网络的植物叶片病害识别方法

说明书

本发明公开了一种基于掩码卷积神经网络的植物叶片病害识别方法，主要解决现有技术识别植物叶片病害准确率低的问题。其方案是：对原数据集进行增强和扩充，得到训练集和测试集；对训练集和测试集进行语义分割得到相应的掩码集；在该模型的全卷积层和掩码分支之间增加病害特征筛选模块，将训练集和掩码集输入到网络中进行训练，得到目标分类和目标检测的结果；将目标分类结果中属于病害叶片的特征图作为掩码分支的输入，多次迭代后得到训练后的模型；将测试集输入该模型，对叶片进行目标分类和目标检测，并对属于病害类别的叶片进行分割。本发明在传统方法的基础上提升了叶片病害识别的准确率，可用于农业种植中植物病害叶片识别和分割。

技术领域

本发明属于图像处理技术领域，特别涉及一种植物叶片病害识别方法，可用于农业种植对植物病害叶片的分割和识别。

背景技术

现代智慧农业中，农作物病害是对粮食安全的一大威胁，植物病害通过显著的降低产量而对农作物造成严重危害。其中早期枯萎病是一种可严重降低产量的典型疾病。类似地，在潮湿的气候中，晚疫病是另一种非常具有破坏性的疾病，它影响植物的叶子、茎和果实。保护植物免受病害对保证作物的质量和数量至关重要。保护农作物应该从早期发现疾病开始，以便在正确的时间选择适当的治疗方法，以防止病害的传播。识别大棚植物病害的病害类型主要包括细菌性斑点，早期枯萎病，晚疫病，叶霉病，黑斑病等多种病害。但实际中由于病害的数量多，且在叶片上的表现相似，很难准确定病害的种类。

目前，对植物叶片的病害研究主要包括利用图像处理或者深度学习方法对其进行检测和分类。在植物病害防治中，国外Plant Village团队在2016年提出了利用深度学习通过植物叶片对病害进行检测和分类的方法，主要在简单背景下通过智能手机对特定的部分植物病害进行分类，主要通过深度学习的方法在不同比例的数据集和不同网络下对颜色，灰度和分割后的图片进行识别，但该方法只能对植物病害叶片的进行分类，并不能分割出植物病害叶片和病害的位置。

同年Mads Dyrmann1等人提出了一种利用卷积神经网络对彩色图像中的植物种类进行分类。该网络是从头构建的，经过训练和测试。这些图像来自六个不同的地方数据集，在不同的生长阶段，光照、分辨率和土壤类型方面进行数据采集，但准确率较低，且并没有针对植物病害的检测和分类。

2018年刘娜等人运用图像处理技术和人工神经网络技术，实现了黄瓜叶部病害检测与染病程度的分级，并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行了实验研究，但由于识别黄瓜的病害类别少，训练样本数量较少，识别的病害种类较少，而导致测试准确率较低且容易产生过拟合。

2017年何凯明提出了掩码卷积神经网络Mask R-CNN的架构，该架构是在FasterR-CNN的两个分支上，即分类和坐标回归上增加了一个分支进行语义分割，其主要通过残差网络ResNet101/50或者金字塔网络FPN作为主干网络提取图像特征，利用区域推荐网络RPN得到目标区域的前景和背景，对得到的目标区域和图像特征通过全卷积层得到分类和实例分割的结果，随后利用卷积网络识别得到语义分割的结果。该网络主要用于COCO数据集的目标检测，目前没有用于植物病害识别的领域。

综上所述，目前植物病害的研究主要为类似黄瓜的单一植物病害类别分类和识别，其中包含的样本中病害种类和样本数量较少，识别准确率较低。现有通过深度学习对植物病害叶片的分类方法，并不能分割出植物病害叶片和病害的位置，且识别率较低。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于掩码卷积神经网络MaskR-CNN的植物叶片病害识别方法，以分割出植物病害叶片及病害所在的位置，并提高了识别的准确率和效率。

为实现上述目的，本发明的技术方案包括如下步骤:

(1)对原数据集依次进行增强，扩充和语义分割，得到训练和测试的图像集及掩码集；