[发明专利]一种基于图像分割和配准融合对葡萄进行病害检测的方法

权利要求书

1.一种基于图像分割和配准融合对葡萄进行病害检测的方法，其特征在于，包括如下步骤：

步骤1，采集原始葡萄园可见光和近红外光图像数据；

步骤2，对原始可见光和近红外光图像数据进行预处理，获得预处理好的可见光数据集和配准后的近红外光数据集，并分别对两个数据集进行训练集和验证集；

步骤3，构建语义分割网络模型，所述语义分割网络模型包括主干特征提取网络，双注意力机制模块，带有空洞卷积的空间金字塔池化模块和上采样模块；

步骤4，分别利用可见光数据集和配准后的近红外光数据集中的训练集对搭建好的语义分割网络模型进行训练与验证；

步骤5，对待测试的可见光图像和近红外图像进行预处理，得到对应的测试集；

步骤6，将测试集传入到对应光谱的语义分割网络模型中，分别生成各自的语义分割结果，对各自的分割图使用离散小波变换的方法进行分割融合，得到葡萄园的病害检测图。

2.如权利要求1所述的一种基于图像分割和配准融合对葡萄进行病害检测的方法，其特征在于：步骤2的具体实现包括如下子步骤；

步骤2.1，对同一时刻可见光传感器和近红外光传感器拍摄的两张照片进行图像配准，得到配准后的近红外光图像B，原始的可见光图像记作图像A；

步骤2.2，使用labelme工具对图像A进行标注，图像A的标注类别包含阴影，地面，健康葡萄藤以及患病葡萄藤四类，其中每个类别分配一个像素值，区域为阴影的像素点分配像素值0，区域为地面的像素点分配像素值1，区域为健康葡萄藤的像素点分配像素值2，区域为患病葡萄藤的像素点分配像素值3，标注完成后会生成对应的标签图像C；

步骤2.3，使用labelme工具对图像B进行标注，图像B的标注类别也包含阴影，地面，健康葡萄藤和患病葡萄藤四类，其中每个类别分配一个像素值，区域为阴影的像素点分配像素值0，区域为地面的像素点分配像素值1，区域为健康葡萄藤的像素点分配像素值2，区域为患病葡萄藤的像素点分配像素值3，标注完成后会生成对应的标签图像D；

步骤2.4，运用滑动窗口的方式对图像A、B和对应的标签图像C、D进行切割，切割为多张一定大小的图像；

步骤2.5，遍历标签图C和D，删除不包含标注区域的图像和标注区域大于P％的图像以及它们对应的原图，使得所有图像都能保留足够的上下文信息，同时减少一些冗余信息，让网络能够学习到充分的信息；

步骤2.6，遍历经过步骤2.5处理之后的图像C和D，计算每个类别标注像素点的总数，再计算各自的占比，针对某类别标注占比超过P1％的图像，进行随机删除，只保留其P2％的图像数量，得到可见光数据集E和经配准后的近红外光数据集F；

步骤2.7，将处理完成的数据集E、F各自按一定的比例进行划分，得到训练集和验证集，训练集和验证集都有对应的标签图。

3.如权利要求1所述的一种基于图像分割和配准融合对葡萄进行病害检测的方法，其特征在于：步骤2.1中图像配准的具体实现方式如下；

第一步，从可见图像中提取绿色通道G，从红外图像中提取近红外通道NIR；第二步，通过使用直方图正规化的方法对两个光谱通道进行归一化以提高它们的对比度；第三步，利用AKAZE算法从两个通道中提取兴趣点并计算它们的特征；第四步，基于兴趣点的特征，将G通道中提取的每个兴趣点映射到NIR通道中的对应点；第五步，去除一些异常值。

4.如权利要求1所述的一种基于图像分割和配准融合对葡萄进行病害检测的方法，其特征在于：所述主干特征提取网络基于Xception结构构建，包含卷积层，激活层和深度可分离卷积，对于输入端输入的图像，主干特征提取网络得到含有低级语义信息的特征图和含有较高级语义信息的特征图。