[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

说明书

本发明提供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,包括：获取葡萄多光谱图像；对获取的葡萄多光谱病害图像配准后进行人工标注,分割出病斑图像并标记病斑类别；建立葡萄病害样本集,并将其划分为训练样本集和测试样本集；构建基于可见光以及近红外光下的语义分割病害检测模型；利用训练样本集和测试样本集分别对构建的葡萄病害检测模型进行训练和模型误差分析；利用训练好的葡萄病害检测模型直接对获取的实际葡萄病害图像进行检测,分割出病斑图像；融合多光谱下的病斑图像，得到最终的病害图。本发明提高了葡萄病害检测的精度,有助于及时掌握葡萄病害状态，具有广阔的应用前景。

技术领域

本发明涉及农业场景下的图像配准领域以及分割图像融合领域，具体涉及一种葡萄园场景下的航拍图像语义分割，对特定的区域进行分类，之后通过多光谱的图像融合得到葡萄藤病害情况的方法。

背景技术

未来农业的主要目标之一是在保证生产质量、减少投入的条件下，提高生产率。实现这一目标极具科技挑战性，而智能农业可以为葡萄园管理带来有趣的解决方案，并减少对环境影响。葡萄园病害自动检测可以提高葡萄园作物管理的效率和灵活性，同时减少化学投入。另外，当下杀虫剂的使用管控越来越严格，因此对智能农业的需求迫在眉睫。

目前对于葡萄藤的检测方法主要分两种：专家人工鉴定和自动检测法。早期的葡萄叶片病害，主要是依靠富有经验的葡萄叶片病害检测专家进行人工检测，这种专家人工鉴定的病害检测方式，费时费力且无法实现病害自动化检测与处理；自动检测法，通过检测算法前期对检测目标的训练，然后挑选出训练结束后的最佳模型进行系统封装，最后利用机器视觉与传感器进行病害自动检测，这些方法虽然能够实现自动检测，但是存在检测精度不高、检测时间长等问题。

综上所述，对葡萄腾叶进行自动检测的精度与时长是检测过程中的难点与重点。本发明旨在绘制葡萄园患病区域图，以便快速、准确处理患病植株，从而保证健康植株状态，这对产量管理非常重要。针对这一问题，本发明公开了了一种基于无人机图像的深度学习分割方法，用于葡萄园霉菌病的检测。

发明内容

本发明针对上述所提到的技术问题，提出了一种基于无人机图像的分割和图像配准融合方法，以实现对葡萄园进行病害检测。该方法结合两个不同传感器获得的可见光和红外图像，用一种完全卷积神经网络方法，根据不同情况(即阴影、地面、健康和患病)对每个像素进行分类，之后，对可见光和近红外图像分割结果进行图像融合，实现了两传感器多光谱信息的融合，有利于得到更精确地得到葡萄藤患病区域，实现病害检测。

首先用无人机采集葡萄园的多光谱图像数据并传输给服务端，服务端进行图像数据处理和配置得到训练集。基于深度学习的思想，搭建一个融合了双注意力机制模块的语义分割网络模型并训练。之后再从无人机处采集多光谱数据，进行配准和处理得到测试集，放入模型得到较好的分割效果，之后进行图像融合，来实现葡萄园的病害检测，减少不必要损失，提高农业经济效益。

本发明的技术方案为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，具体包含以下步骤：

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。