[发明专利]融合多种上下文深度学习模型的水稻病害图像检测方法

摘要

本发明涉及融合多种上下文深度学习模型的水稻病害图像检测方法，与现有技术相比解决了水稻病害检测未考虑其相关条件因素的缺陷。本发明包括以下步骤：训练样本的收集和预处理；基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型；待检测水稻图像的空间、位置、温湿度信息收集和预处理；病害在水稻图像中具体位置的标记。本发明不仅考虑了病害图像本身的特征，还考虑了采集时空间、时间、温湿度等相关因素，通过对水稻病害图像全局上下文训练模型、水稻病害图像局部上下文训练模型、水稻病害属性约束上下文训练模型的融合，提高了田间复杂应用情况下水稻病害图像检测与识别能力，提高了水稻病害图像检测率。

主权项

1.一种融合多种上下文深度学习模型的水稻病害图像检测方法，其特征在于，包括以下步骤：11)训练样本的收集和预处理，收集若干幅水稻病害图像及其相对应病害发生时的时间、空间、温湿度信息作为训练数据，人工标记出水稻图像中病害发生部分，将所有标记图像的大小归一化为32×32像素，得到若干类病害，每类病害有若干个病害图像训练样本；12)基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型，构建水稻病害图像全局上下文训练模型、局部上下文训练模型，并引入不同水稻病害发生时空间、时间、温湿度上下文信息作为特征数据，训练基于多种上下深度学习的水稻病害检测模型；所述的基于深度学习融合水稻图像上下文信息获得水稻病害图像检测模型包括以下步骤：121)构建水稻病害图像全局上下文训练模型；122)构建水稻病害图像局部上下文训练模型；123)收集水稻病害全局图像，收集水稻病害图像数据集X_i表示病害图像，Y_i表示对应的病害图像标记信息；124)收集水稻病害局部图像，以水稻病害图像训练数据集为基础，通过以下公式收集水稻病害局部图像数据集其公式如下：X_j＝{X_i|0＜||l(X_i)‑l(X_j)||＜0.5,i＝1,2,3...,M；j＝M+1,...,N}，Y_j＝{Y_i|0＜||l(X_i)‑l(X_j)||＜0.5,i＝1,2,3...,M；j＝M+1,...,N}，其中，X_j表示在X_i图像周围收集的同一类型病害的局部图像，总数控制在20至30个，在全局病害图像X_i周围采集的局部病害图像的距离范围控制在0＜||l(X_i)‑l(X_j)||＜0.5标准内，l(X_i)为水稻病害图像X_i的中心点位置坐标，l(X_j)为收集的病害局部图像中心点位置坐标；Y_j表示在X_i图像周围收集的同一类型病害局部图像的标记信息，在每个X_i周围收集的多个X_j病害局部图像，这些局部图像块总数控制在20至30个，这些局部图像块对应的病害标记信息与Y_i等同设置；125)构造水稻病害属性约束上下文训练模型；126)融合多种上下文信息获得水稻病害图像检测模型；通过引入不同水稻病害发生时空间、时间、温湿度上下文信息作为特征数据，进一步构建水稻病害图像检测模型J(W_g,W_l,W_m)，其如下：其中，m∈{t,s,p}分别表示水稻病害发生时所对应的时间t、空间s与位置p上下文信息；127)对水稻病害检测模型进行训练，其训练过程如下：其中，p(X)＝(p₀(X),...,p_K(X))所有病害类别上的概率分布，λ是权值系数，f_loss(p(X),y)＝‑logp_y(X)是交叉熵损失函数，为训练过程中回归预测的水稻病害图像位置，预测计算如下：通过随机梯度下降分别获得深度上下文联合水稻病害检测模型参数W_l^*和其计算公式如下：13)待检测水稻图像的空间、位置、温湿度信息收集和预处理，获取待检测水稻图像及信息，将待检测水稻图像的大小归一化为512×512像素，通过预训练网络获得候选区域图像块的特征；14)病害在水稻图像中具体位置的标记，将待检测图像的空间、位置、温湿度信息及其候选区域图像块的特征输入训练后的水稻病害检测模型，进行水稻病害的识别与检测，定位并标记出病害在图像中具体位置。