[发明专利]一种适应田野的农作物病虫害自动识别方法

说明书

本发明涉及计算机视觉领域，特别涉及一种适应田野的农作物病虫害自动识别方法。包括以下步骤：S1，获取农作物图像原始数据，并对其进行预处理；S2，将预处理后的农作物图像原始数据输入改进后的农作物病虫害自动识别模型，预测出所述农作物图像原始数据相应的病虫害类别；改进后的农作物病虫害自动识别模型的网络架构为：在卷积神经网络的骨干网络上增加了通道正交约束和物种分类约束两个分支，所述通道正交约束添加在所述骨干网络输出的最后一层特征上，所述物种分类约束添加在所述骨干网络输出的任何一个特征上。采用本方法可以实现病虫害类别的准确识别，不需要管理人员具备领域专家的专业知识，提升了模型在田野环境下识别的性能。

技术领域

本发明涉及计算机视觉领域，特别涉及一种适应田野的农作物病虫害自动识别方法。

背景技术

2006-2015年我国农作物病虫草鼠害总体处于严重发生状态,年均损失粮食占全国粮食总产量的20.88％。农作物病虫害的来源主要包括细菌、真菌、卵菌、病毒、线虫和昆虫等，农作物在感染病害后其叶片一般会有斑点、变色、畸形、萎蔫和坏死等症状。农作物的健康是从事农业工作者们赖以生存的条件，而诊断这些症状需要高水平的专业知识，所以发明一种能自动识别农作物病害的方法具有十分重要的意义。

相较于主观性较强、经验性较强和耗时较长的传统专家诊断方法，利用图像和计算机视觉相关的自动识别方法能达到更准确、更快速的诊断效果。作为本发明最接近的现有技术，论文“Using Deep Learning for Image-Based Plant Disease Detection”和论文“Solving Current Limitations of Deep Learning Based Approaches for PlantDisease Detection”给出了详细的介绍，方法中训练出了用于实现植物病虫害的分类神经网络，实现农作物病虫害的自动识别，它们在受控的实验室条件下(对光照姿态和背景有很高的要求)有较高的识别准确率，但是当其应用在真实田野间时性能会急剧下降。

现有的植物病虫害自动识别方法在解决田野农作物病虫害自动识别的问题时仍然存在着很大的局限，主要存在以下问题：1、农作物图像通常是在实验室受控的条件下采集，相比现实农作物生长条件来说，用于识别病虫害的农作物图像太理想，因此训练出的网络在实测时效果不佳，只能识别单个的、正面的、光照统一、背景单一的农作物叶片。2、提取图像特征识别农作物病虫害的方法考虑并不全面，例如：同一种疾病的叶片具有不同尺度和位置的症状、具有不止一种疾病或者具有和其他疾病十分相似的症状等。上述情况会造成农作物病虫害识别的准确率降低。

考虑到现有方法的以上几点局限，若提出一个更加鲁棒的适应真实田野间的农作物病虫害自动识别算法，将会遇到如下三个主要问题：1、数据集中的农作物图像背景单一、但野外环境下叶片图像的背景多变，如图1(a)所示。2、同一种疾病的症状尺度和位置多变，如图1(b)所示。3、同一种农作物不同病害的症状比较相似，不同农作物由同一种病菌引起的不同病害的症状也比较相似，如图1(c)所示，从左到右分别是番茄的靶斑病、疮痂病、早疫病和马铃薯的晚疫病。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，一方面对原始图像进行增强处理，另一方面，对识别算法的网络进行改进，考虑了农作物物种的因素和不同通道之间的相互关系，提出了一种更加具有鲁棒性的适应田野的农作物病虫害自动识别方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种适应田野的农作物病虫害自动识别方法，包括以下步骤：

S1，获取农作物图像原始数据，并对农作物图像原始数据进行预处理；

S2，将预处理后的农作物图像原始数据输入改进后的农作物病虫害自动识别模型，预测出农作物图像原始数据相应的病虫害类别；