[发明专利]基于多源特征融合的农作物病虫害图像识别方法

说明书

本申请提供一种基于多源特征融合的农作物病虫害图像识别方法，获取初始农作物叶片病虫害数据集；通过仿射变换，得到规格化的预处理农作物叶片病虫害数据集；根据深度卷积对抗式生成网络对预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；将多源特征和农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；根据类别信息，采用Siamese Network模型，判定农作物病虫害的程度。本申请融合多源特征，提升农作物病害识别的普适性和精准率。

技术领域

本申请涉及农业机器视觉领域，尤其涉及一种基于多源特征融合的农作物病虫害图像识别方法。

背景技术

随着深度学习与人工智能技术性能的快速提升，使得农业场景下的基于深度学习的农作物病害识别技术准确率和效率均超过了传统农业专家，极大促进了深度学习技术在农业现场诊断农作物病害应用进程。

目前，深度学习已经在农作物病虫害方面有了较为广泛和深入的研究与应用，深度学习是基于人工神经网络的方法，特别是卷积神经网络，可直接抽取分类特征，且基于交并比(Intersection-over-Union，IoU)匹配方法确定正、负样本的方式，可以识别出占比大的病害特征。然而，对于卷积神经网络，在经过多层卷积处理或交并比匹配后，存在微弱病虫害图像会出现特征消失或占比小的其他病虫害识别和定位被忽略的情况，致使识别模型的浅层网络结果无法提出病虫害信息，无法全面得到农作物病虫害情况。

发明内容

本申请提供了一种基于多源特征融合的农作物病虫害图像识别方法，以解决现有深度学习的方式存在微弱病虫害图像会出现特征消失或占比小的其他病虫害识别和定位被忽略的情况，致使识别模型的浅层网络结果无法提出病虫害信息，无法全面得到农作物病虫害情况的技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

提供一种基于多源特征融合的农作物病虫害图像识别方法，所述方法包括：

获取初始农作物叶片病虫害数据集，所述初始农作物叶片病虫害数据集包括有效叶片病虫害图像；

通过对所述初始农作物叶片病虫害数据集进行仿射变换，得到规格化的预处理农作物叶片病虫害数据集；

根据深度卷积对抗式生成网络对所述预处理农作物叶片病虫害数据集进行扩充，得到农作物叶片病虫害图像样本；

根据预设候选框，通过三分支结构构建多尺度融合网络模型，提取所述农作物叶片病虫害图像样本中的农作物叶片病虫害图像候选区域；

对所述农作物叶片病虫害图像样本按照多源特征进行独热编码，所述多源特征包括经纬度特征信息、时间特征信息和环境特征信息；

将所述多源特征和所述农作物叶片病虫害图像候选区域融合，采用AlexNet、ResNet50和VGG基准模型，得到农作物病虫害的定位信息和类别信息；

根据所述类别信息，采用Siamese Network模型，判定农作物病虫害的程度。

进一步地，所述得到农作物叶片病虫害图像样本，包括：

根据所述深度卷积对抗式生成网络的生成器模型，得到待处理图像样本；

根据所述深度卷积对抗式生成网络的判别器模型，判定所述待处理图像样本；

当所述待处理图像样本与所述预处理农作物叶片病虫害数据集中图像达到平衡，得到所述农作物叶片病虫害图像样本，所述农作物叶片病虫害图像样本包括所述预处理农作物叶片病虫害数据集和所述待处理图像样本。