[发明专利]一种多尺寸输入和多尺寸目标的农作物病虫害识别方法

说明书

本发明公开了一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，涉及图像识别技术领域，采集原始的农作物病虫害图像，并进行目标标注；将标注后的农作物病虫害图像转为数据集，数据集分为：训练集、验证集和测试集；构建目标检测网络；通过训练集和验证集对所述目标检测网络进行训练和验证；将测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，从而进一步对第一次推理结果中的病虫害的叶片、果实进行检测得到最终识别结果，通过对模型推理环节进行优化，在不增加标注成本的情况下，能够有效提升模型对于多尺寸输入和多尺寸目标检测模型的召回率与精确率，进而提升农作物病虫害识别效果。

技术领域

本发明属于图像识别技术领域，尤其涉及一种多尺寸输入和多尺寸目标的农作物病虫害识别方法。

背景技术

近年来随着人工智能技术在计算机视觉领域的快速发展，基于深度学习目标检测的农作物病虫害识别方法以非侵入式、速度快、低成本等优势成为研究热点。但病虫害识别模型在实际应用时通常会存在多尺寸输入和多尺寸目标的问题，多尺寸输入表示用户使用的拍摄相机不同，分辨率不同，即病虫害识别模型的输入是多尺寸的；多尺寸目标表示用户使用相机拍摄农作物时的角度、距离不可控，导致目标相对图像的尺寸也会发生变化，即病虫害识别模型的目标是多尺寸的。这两个问题导致病虫害识别模型在实际落地时可能出现严重漏检，影响用户体验。

目前，农作物病虫害识别有如下几种方法：图像分类的方法，对图片进行病虫害类别的分类，无法定位目标具体位置，在实际应用中易受环境影响，特别是目标较小的情况，识别率较低；基于通用目标检测的方法，对目标位置进行矩形框定位，并识别目标的类别，识别效果易受训练集影响，需要补充各种尺寸的数据；实例分割的方法，对目标进行多边形区域定位，并识别目标类别，该方法标注成本高，速度较慢，同样需要补充各种尺寸的数据。

发明内容

本发明的目的在于提供一种多尺寸输入和多尺寸目标的农作物病虫害识别方法，从而克服了现有农作物病虫害识别率较低的缺点。

为实现上述目的，本发明提供了一种多尺寸输入和多尺寸目标的农作物病虫害识别方法包括以下步骤：

采集原始的农作物病虫害图像，并对所述原始的农作物病虫害图像中的病虫害的叶片、果实进行目标标注；

将标注后的农作物病虫害图像转为数据集，所述数据集分为：训练集、验证集和测试集；

构建目标检测网络；

通过所述训练集和验证集对所述目标检测网络进行训练和验证；

将所述测试集输入训练和验证后的目标检测网络进行模型推理，得到第一次推理结果，并对所述第一次推理结果进行滑窗识别、填充识别或非极大值抑制处理，得到最终识别结果。

优选地，将所述测试集输入训练和验证后的目标检测网络进行推理得到最终识别结果包括以下步骤：

将所述测试集中的测试图片输入训练和验证后的目标检测网络进行推理，得到第一次推理结果；

计算所述第一次推理结果中所有矩形框的宽高在相应的原始图片的宽高的平均占比test_w_ratio、test_h_ratio；在训练集中所有目标标注的矩形框的宽高在相应的原始图片的宽高的平均占比train_w_ratio、train_h_ratio；

将test_w_ratio、test_h_ratio与train_w_ratio、train_h_ratio进行比较；

若test_w_ratiotrain_w_ratio且test_h_ratiotrain_h_ratio，则对所述测试图片进行滑窗识别，后将每个滑窗识别的结果进行合并，并对合并后的滑窗进行非极大值抑制，选出最佳匹配矩形框，所述最佳匹配矩形框中的内容为所述测试图片最终的识别结果；