[发明专利]一种玉米病害病情分级方法、系统和计算机设备

说明书

本申请涉及一种玉米病害病情分级方法、系统和计算机设备，方法包括：S1获取正常玉米叶片图像作和病害玉米叶片图像；S2搭建病害分类神经网络，采用迁移学习初始化卷积层和全连接层参数；S3搭建面积分割神经网络，采用迁移学习初始化前两层网络参数；S4将待检测叶片原图输入玉米病害分类神经网络得到病害分类信息；将原图输入面积分割神经网络得到病害区域和叶片主体区域的二值图像并计算病害区域的面积占比；S5根据病害分类信息和面积占比对病害病情进行分级。提供了一种适应真实环境下拍摄的图片，无需采摘玉米叶片，自动对玉米常见叶部病害病情进行分级的方法，为玉米病害的分级识别，特别是早期诊断和预测预警奠定基础。

技术领域

本发明涉及图像处理领域，尤其涉及一种玉米病害病情分级方法、系统和计算机设备。

背景技术

玉米是我国重要的粮食作物和饲料作物。近些年由于耕作栽培制度的改变、病原菌品种的变异、植物保健措施不健全等造成玉米病害的危害程度逐年加重，种类也逐年増多，常见的玉米叶片病害有：大斑病、小斑病、锈病、圆斑病、弯孢叶斑病、矮花叶病等。因此，对玉米病害病情的分级识别对于玉米种植来说是至关重要的，特别是在早期诊断和预测预警方面，通过智能化的手段对病害种类进行检测并对病情进行分级能够提高农民对病害的认识以及采用相应的措施进行防治，提高农业生产。

在现有技术中，利用图像识别技术对作物的病害进行检测主要有以下两种方法：

(1)基于高光谱成像的农作物病害分级诊断，该技术利用可见-近红外(400～1000nm)波段的病害作物光谱数据，研究作物病害的分级诊断模型。其存在以下不足：1.使用范围局限。该技术所有拍摄的过程是在实验室进行，外部环境恒定，缺少在室外、大田、温室等真实环境实验数据，无法保证方法的普适性，适应范围小；2.诊断采集的不是作物活株数据，采集过程会对植株造成不可逆的损害；3.设备不易携带，高光谱仪设备需在实验室环境才能使用，无法随身携带，降低了方法的灵活性和便捷性。

(2)基于安卓系统的作物叶部病害程度检测系统，该技术采用迭代式阈值法分割叶片区域和背景区域；采用模糊C均值聚类算法提取病斑区域，计算病斑区域像素点个数与整个叶片区域像素点个数的比值k；根据相关病害分级标准，判断黄瓜叶部病害的严重程度，利用SQLite数据库技术，动态添加其它作物的病害分级标准和防控措施信息；将检测结果及防控措施显示在手机屏幕上。其存在以下不足：1.拍摄时需提供单一的背景色，该技术在采集图像时均使用白色为背景，该方式有算法分割背景区域，但不能适应真实环境下多变的场景，大田环境中通常拍照都有大量的背景干扰色；2.阈值分割病斑效果不理想，阈值分割属于机器视觉中常用的图像分割算法，通过RGB颜色通道阈值分割，该方式会将叶脉或其他因素导致的非绿色部分计算为病斑，影响分割结果，降低检测准确度。

发明内容

本发明的目的在于提供一种适应真实环境下拍摄的图片，且无需采摘玉米叶片，自动对玉米常见的叶部病害病情进行分级的方法及系统，为玉米病害的分级识别，特别是早期诊断和预测预警奠定基础。

为了实现以上目的，本发明提供了一种玉米病害病情分级方法，包括以下步骤：

步骤S1.获取正常玉米叶片图像，预处理后作为第一训练集；获取病害玉米叶片图像，预处理后划分为第二训练集和测试集；

步骤S2.搭建基于CNN的玉米病害分类神经网络，采用迁移学习的方法初始化所述分类神经网络的卷积层和全连接层的参数，再完成整个网络的训练和测试；

步骤S3.搭建基于U-net的面积分割神经网络，采用迁移学习的方法初始化所述面积分割神经网络前两层的网络参数，再完成整个网络的训练和测试；

步骤S4.采集待检测玉米叶片原图，将所述叶片原图输入训练好的玉米病害分类神经网络，得到待检测玉米所患病害的分类信息；将所述叶片原图输入训练好的面积分割神经网络，得到玉米病害区域和玉米叶片主体区域的mask二值图像，通过所述二值图像计算玉米病害区域在叶片主体区域上的面积占比；