基于多尺度图像的玉米病害严重度评估方法
本发明涉及智慧农业视觉检测领域,公开了基于多尺度图像的玉米病害严重度评估方法。
背景技术:
1、玉米是全球产量最高的粮食作物,年产量超过11亿吨。叶部病害是威胁玉米产量的主要生物胁迫之一,弯孢叶斑病、灰斑病及南方锈病等真菌性病害可导致产量损失严重,传统玉米病害调查主要依赖人工田间目测,存在耗时长、主观性强、覆盖范围有限和难以形成高频连续监测的问题。
2、低空无人机可见光遥感技术因具有机动灵活、覆盖面广、时效性强和成本可控等优势,近年来在精准农业病害监测领域得到广泛关注。然而,真实田间场景远比实验室或标准数据集复杂:玉米叶片细长且弯曲、植株间叶片相互遮挡,田间同时存在花生间作作物、杂草、土壤、茎秆和穗部等多类目标;不同传感器、飞行高度、拍摄角度和光照条件引起尺度、纹理和颜色分布差异,使现有基于受控背景数据集训练的分类模型难以直接适应上述复杂场景。为同时获取地块冠层分布信息、植株局部结构信息和单叶病斑纹理信息,实际病害监测通常需要在不同空间尺度下采集多源可见光图像。
3、通用分割基础模型sam2能够利用预训练得到的通用视觉表征,在缺少像素级人工标注的情况下自动生成大量候选实例掩膜,为田间叶片样本的自动提取提供了基础。然而,在玉米植株密集、叶片交叉遮挡和目标尺度差异较大的场景中,sam2输出的掩膜仍可能出现叶片主体碎裂、内部空洞、多个叶片粘连、图像边界截断、背景区域混入以及同一叶片重复生成多个掩膜等问题。
4、分类训练与病害严重度计算对实例分割质量具有不同要求。对于病害识别模型而言,适当保留真实场景中常见的不完美分割实例,有利于提高模型对遮挡、缺损和复杂背景的适应能力;但在病斑面积比例和地块发病率计算过程中,若不加区分地使用全部分割实例,内部空洞会导致叶片有效面积估计偏小,多叶粘连会将多个叶片误作为单一实例,重复掩膜会造成同一叶片被多次统计,背景混入则可能被错误识别为病斑区域,导致叶片病斑面积比和地块发病率出现明显偏差。若简单删除所有不完整实例,又会损失大量具有识别价值的真实田间样本。
技术实现思路
1、本发明公开了基于多尺度图像的玉米病害严重度评估方法,以解决现有评估方法在复杂田间场景下分割质量差、实例冗余、模型泛化能力弱、病害量化评估精度低的技术问题。
2、基于多尺度图像的玉米病害严重度评估方法,包括以下步骤:
3、s1.采集多源玉米田间可见光图像,将图像输入通用分割基础模型,自动分割得到玉米叶片候选掩膜以及对应稳定性得分与预测交并比;
4、s2.依据稳定性得分、预测交并比、掩膜面积占比三重条件,对候选掩膜进行质量初筛,剔除低质量掩膜;
5、s3.对初筛后掩膜执行高效bbox-nms处理,仅对框体相交掩膜对计算像素级交并比,依据抑制阈值保留高质量掩膜;
6、s4.基于高质量掩膜裁剪叶片区域,归一化处理得到统一规格的标准化叶片实例图像;
7、s5.对玉米叶片类实例只读提取叶片多维度形态学参数,构建dmcs评分体系完成实例质量甄别;
8、s6.基于包容性分割策略构建训练集,训练田间多类别病害识别模型;
9、s7.对模型推理结果进行空间重叠去重和感知哈希去重,得到无重复玉米叶片实例集合;
10、s8.对去重后集合中的病害玉米叶片实例执行合法性筛选,采用hsv颜色空间识别叶片病斑,计算叶片级病斑面积比与地块级发病率,完成玉米病害两级严重度量化评估。
11、进一步地,所述s1中,所述多源可见光图像包括:
12、无人机低空平台和近地面手持平台在不同飞行高度、不同拍摄角度、不同生育期下采集的玉米冠层图像,图像内容涵盖健康玉米、病害玉米、间作花生、杂草及田间背景;
13、所述通用分割基础模型为sam2.1-hiera-tiny;
14、所述自动分割得到玉米叶片候选掩膜以及对应稳定性得分与预测交并比,包括:
15、采用多层级分割模式并启用多尺度裁剪,使图像各空间区域生成多个候选掩膜;
16、调用自动掩膜生成器对图像执行全图密集点提示分割,每个提示点对应一个候选掩膜,输出每个候选掩膜的二值像素掩膜、稳定性得分和预测交并比。
17、进一步地,所述对候选掩膜进行质量初筛,包括:
18、删除稳定性得分低于0.80的掩膜;
19、删除预测交并比低于0.75的掩膜;
20、删除掩膜面积占原始图像面积比例小于0.3%的掩膜;
21、删除掩膜面积占比超过35%的掩膜。
22、进一步地,所述高效bbox-nms处理包括:
23、对经质量初筛后保留的各叶片掩膜实例,分别确定对应的外接矩形框;
24、根据各掩膜实例稳定性得分与预测交并比融合得到综合质量分数,依据综合质量分数对全部掩膜实例进行降序排序;
25、所述综合质量分数为:
26、;
27、式中,为第个掩膜实例的综合质量分数,为第个掩膜实例的稳定性得分,为第个掩膜实例的预测交并比,为稳定性得分的权重,为预测交并比的权重;
28、按照排序顺序依次遍历各掩膜实例,判断当前掩膜实例的外接矩形框与剩余待处理掩膜实例的外接矩形框是否存在空间交叠;
29、仅对外接矩形框存在交叠的掩膜实例对进一步计算像素级交并比;
30、当两组掩膜实例之间的像素级交并比大于预设抑制阈值时,保留两组掩膜实例中综合质量分数高的掩膜实例,剔除两组掩膜实例中综合质量分数低的掩膜实例;
31、所述预设抑制阈值为0.65;
32、循环执行遍历、判断、筛选,直至完成全部掩膜实例的去重筛选。
33、进一步地,所述s4具体包括:
34、根据保留的综合质量分数高的掩膜的边界裁剪图像中的叶片区域,将掩膜外区域填充为纯黑色,并对裁剪结果执行自适应等比例缩放后居中放置于统一尺寸画布,构建标准化实例图像;
35、所述自适应等比例缩放的缩放规则为:
36、掩膜区域长边大于等于224像素时,等比例缩小至长边为224像素;
37、掩膜区域长边大于等于50像素且小于224像素时,等比例放大1.5倍;
38、掩膜区域长边小于50像素时,等比例放大2倍;
39、将缩放后的叶片图像实例居中放置于统一画布上,得到标准化叶片实例图像。
40、进一步地,所述dmcs通过只读方式计算最大连通域占比、内部空洞面积比、形状填充率、边界接触比四项形态学参数,运算全过程不对原始图像以及掩膜的像素数据进行修改;
41、所述;
42、所述;
43、所述;
44、所述。
45、进一步地,所述内部空洞面积比采用只读检测方式获取,具体包括:
46、将叶片前景掩膜取反得到背景区域,对背景区域进行连通域标记,剔除与图像四条边界相连的背景连通域;将剩余背景连通域中面积不小于预设微孔过滤阈值的连通域判定为有效内部空洞;
47、所述微孔过滤阈值设置为20像素。
48、进一步地,所述基于包容性分割策略构建训练集,包括:
49、将经质量初筛和bbox-nms处理后的全部掩膜实例纳入训练集;
50、对每个掩膜实例进行图像级类别标注,同时采用类别加权交叉熵损失函数平衡样本类别不均衡问题;
51、分类类别包括健康玉米叶片、弯孢叶斑病玉米叶片、玉米除草剂药害、枯萎玉米叶片、健康花生叶片、杂草和其它共七类田间场景要素。
52、进一步地,所述s7具体包括:
53、对每张玉米叶片类实例图像计算感知哈希值,求取两个玉米叶片实例之间哈希值对应的汉明距离;
54、当汉明距离小于预设哈希阈值时,判定两组玉米叶片实例为重复实例;
55、将判定为重复的叶片实例归为同一组,每组选取综合质量得分最高的一个代表实例予以保留,剔除组内剩余的重复实例;
56、所述哈希阈值通过统计样本对汉明距离分布、结合自然断点法确定;
57、最终得到无重复的玉米叶片实例集合。
58、进一步地,所述s8具体包括:
59、设定像素阈值15提取标准化叶片图像的叶片前景区域,过滤jpeg压缩产生的背景噪声像素;
60、将叶片前景区域的图像转换至hsv颜色空间;
61、选取h通道取值大于等于5且小于等于30、s通道大于50的像素区域,识别得到黄褐色至红褐色病斑区域;
62、选取s通道小于45、v通道大于170的像素区域,识别得到白色坏死中心区域;
63、合并黄褐色至红褐色病斑区域与白色坏死中心区域,得到完整病斑掩膜;
64、所述叶片级病斑面积比为:
65、;
66、式中,为病斑掩膜像素数,为叶片前景像素数;
67、将映射为五级病级:
68、1级病级对应;
69、2级病级对应;
70、3级病级对应;
71、4级病级对应;
72、5级病级对应;
73、地块级发病率计算公式如下:
74、;
75、式中,为去重后弯孢叶斑病、枯萎病、除草剂药害的玉米叶片实例总数,为去重后健康、染病、药害、枯萎四类玉米叶片总实例数。
76、与现有技术相比,本发明具有以下有益效果:
77、构建多源异构可见光图像数据集,覆盖四种传感器、多飞行高度、多生育期和多视角,增强模型对不同传感器和采集条件的跨域泛化能力;提出无参考分割质量评估框架,通过内置质量分数与形态学完整性指标对分割模型进行定量比较,实现模型选择的客观量化;提出高效bbox-nms算法,通过外接矩形框预过滤大幅跳过无意义像素级计算,满足大规模批量处理需求;提出缺陷感知形态学完整性评分dmcs,以只读方式量化碎片、空洞、粘连、截断和背景混入等分割缺陷,不对掩膜进行任何形态学修改,保证原始分割信息完整性;提出包容性分割策略,保留真实场景中常见的不完美分割实例参与训练,显著提升病害类别召回率,使分类模型对真实部署场景的不完美分割形态具有充分的适应性;构建叶片级病斑面积比与地块级发病率的两级量化评估体系,分别服务于单叶精准诊断与地块宏观决策,为精准施药和田间管理提供量化数据支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com