[发明专利]一种病虫害检测及灾害等级分析方法及系统

说明书

本发明公开了一种病虫害检测及灾害等级分析方法及系统。所述方法包括：将待检测图像输入训练好的病虫害语义分割模型，得到二值图像；该二值图像的白色区域为病虫害区域，黑色区域为背景区域；所述待检测图像为原始三通道图像；测算二值图像的白色区域，得到该待检测图像上的病斑大小；根据成像原理，由待检测图像上的病斑大小计算得到病斑的实际面积；根据病斑的实际面积，确定病虫害的灾害等级。本发明通过语义分割将病虫害区域从背景中较为准确的分割出来，基于该语义分割结果及成像原理，能够在一定误差范围之内估计出病虫害的实际面积，以进行灾害等级分析。

技术领域

本发明涉及机器视觉、图像处理和深度学习技术领域，具体涉及一种病虫害检测及灾害等级分析方法及系统。

背景技术

乱砍滥伐、森林火灾和森林病虫害是破坏森林生态平衡的三大常见灾害，其中，森林病虫害因其隐蔽性和易大面积扩散的性质而难以预防和整治。因此，森林病虫害的自动化检测与灾害等级分析对于促进森林生态系统稳定发展具有十分重要的意义。近年来，基于可见光图像的植物病虫害自动诊断在林业生产中起着不可或缺的作用，已经成为了林业信息领域的研究热点。

传统基于计算机视觉与机器学习的方法在植物病虫害识别与检测方面的技术已经相对比较成熟，如支持向量机，人工神经网络。然而，这类方法需要复杂的图像处理和特征提取步骤，这会严重影响病虫害检测的效率。更为重要的是，由于此类方法往往需要研究人员基于特定场景的数据设计特征，这也就导致了此类方法不具备良好的鲁棒性和泛化性。

近年来，卷积神经网络在图像分类领域炙手可热。深度卷积神经网络自动提取并学习图像中的关键信息，这种获取全局语义信息的能力来自于其重复堆叠的卷积和池化结构。受这种方法的启发，基于卷积神经网络的植物病虫害图像识别已经取得了不错的进展。然而，这类方法仅能够判断输入图像中是否存在植物病虫害，而无法捕捉到更为重要的细节信息，如病斑位置和病斑面积等。因此，设计一种能够自动检测出病虫害面积并进行灾害等级分析的方法是十分有必要的。

发明内容

本发明的目的在于克服现有技术缺陷，提出了一种病虫害检测及灾害等级分析方法及系统。

为了实现上述目的，本发明提出了一种病虫害检测及灾害等级分析方法，所述方法包括：

将待检测图像输入训练好的病虫害语义分割模型，得到二值图像；该二值图像的白色区域为病虫害区域，黑色区域为背景区域；所述待检测图像为原始三通道图像；

测算二值图像的白色区域，得到该待检测图像上的病斑大小；

根据成像原理，由待检测图像上的病斑大小计算得到病斑的实际面积；

根据病斑的实际面积，确定病虫害的灾害等级。

作为上述方法的一种改进，所述病虫害语义分割模型的输入为原始三通道图像，输出为二值图像，该病虫害语义分割模型包括：编码模块和解码模块；其中，

所述编码模块，包括多层编码和深层位置注意力机制处理；其中，多层编码用于对输入的原始三通道图像进行不同感受野的特征编码，得到不同层特征图，分别代表不同上下文信息；深层位置注意力机制处理，用于增强最高层特征图各节点间的空间关联关系；

所述解码模块，用于对编码模块输出的不同层特征图分别进行多尺度特征聚合以及多通道注意力机制的处理，再结合不同层次特征图解码后的特征逐一融合，得到二值图像。

作为上述方法的一种改进，所述多层编码包括依次连接的5个编码层，所述每个编码层的数学形式均表示如下：

F＝σ(W*X+b)

其中，F表示经编码后的特征值，W表示对特征进行映射所需的权重，b表示偏置；非线性映射函数σ为：