一种基于作物颜色的水稻稻瘟病监测方法与流程

1.本发明属于稻瘟病监测技术领域，具体涉及一种基于作物颜色的水稻稻瘟病监测方法。


背景技术：

2.稻瘟病又名稻热病、火烧瘟等，是由稻瘟病原菌引起的、发生在水稻的一种病害，稻瘟病在水稻整个生育期中都可发生，危害水稻的秧苗、叶片、穗和节等。
3.在现代社会中，稻瘟病是稻作生产中的主要病害，且以亚洲和非洲稻区发病为重，发病后稻田减产严重，而现有技术中并没有有效的针对水稻进行稻瘟病的监测方法，大多数是人工在稻田巡查，效率低，且成本较高。
4.因此，如何针对水稻进行稻瘟病的监测，是本领域技术人员有待解决的技术问题。


技术实现要素：

5.本发明的目的是为了针对水稻进行稻瘟病的监测，提出了一种基于作物颜色的水稻稻瘟病监测方法。
6.本发明的技术方案为：基于作物颜色的水稻稻瘟病监测方法，包括以下步骤：
7.s1、收集水稻稻瘟病的训练图像集，所述训练图像集具体为水稻生长过程中不同部位的稻瘟病图像集，且病变处通过颜色进行标注；
8.s2、根据所述训练图像集对待训练神经网络进行训练并得到训练好的监测神经网络；
9.s3、根据所述监测神经网络对稻田中的水稻图像数据进行监测。
10.进一步地，在所述步骤s2和步骤s3之间，还包括：
11.a1、获取所述水稻图像数据；
12.a2、对所述水稻图像数据进行去噪处理；
13.a3、将去噪后的水稻图像数据进行分区。
14.进一步地，所述步骤s3具体包括以下分步骤：
15.s31、将分区后的水稻图像数据进行分割处理，得到对应区的水稻的图像数据；
16.s32、将水稻的图像数据输入到所述监测神经网络中获得病变水稻；
17.s33、基于所述病变水稻生成热力图。
18.进一步地，所述步骤s32具体包括根据预设的优先级策略对水稻进行监测，其中，所述优先级策略具体为在水稻的不同生长周期优先对水稻不同部位进行监测。
19.进一步地，所述分割处理具体是通过预设的分割算法进行处理的。
20.进一步地，所述分割算法的网络结构包括特征提取网络、生成矩形框的区域建议网络、对候选区进行池化的兴趣区域匹配层和输出层，其中，输出层具体用于为区域建议预测类标签、边界框和目标掩码。
21.进一步地，所述分割算法的损失函数l
oss
如下式所示：
22.l
oss
＝l
cls
l
box
l
mask
23.式中，l
cls
表示类别的损失，l
box
表示边界框的损失，l
mask
表示掩码损失。
24.进一步地，所述类别的损失具体如下式所示：
[0025][0026]
式中，n
cls
为归一化参数，为序号为i的候选区域被预测为负样本的概率，pi为序号为i的候选区域被预测为正样本的概率。
[0027]
进一步地，所述边界框的损失如下式所示：
[0028][0029]
式中，n
box
为归一化参数，为序号为i的候选区域被预测为负样本的概率，r为距离度量函数损失，ti为预测偏移参数，为实际偏移参数。
[0030]
进一步地，所述掩码损失如下式所示：
[0031][0032]
式中，yv为目标真实标签值，为分割算法预测值，m为输出维度尺寸。
[0033]
与现有技术相比，本发明具备以下有益效果：
[0034]
本发明通过先收集水稻稻瘟病的训练图像集；然后根据所述训练图像集对待训练神经网络进行训练并得到训练好的监测神经网络；最后根据所述监测神经网络对稻田中的水稻图像数据进行监测，其中，监测具体包括将分区后的水稻图像数据进行分割处理，得到对应区的水稻的图像数据；将水稻的图像数据输入到所述监测神经网络中获得病变水稻；基于所述病变水稻生成热力图，通过本方案能快速、有效地对水稻进行稻瘟病的监测。
附图说明
[0035]
图1所示为本发明实施例提供的一种基于作物颜色的水稻稻瘟病监测方法。
具体实施方式
[0036]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0037]
本技术提出了一种基于作物颜色的水稻稻瘟病监测方法，如图1所示为本技术实施例提出的一种基于作物颜色的水稻稻瘟病监测方法的流程示意图，该方法包括以下步骤：
[0038]
步骤s1、收集水稻稻瘟病的训练图像集，所述训练图像集具体为水稻生长过程中不同部位的稻瘟病图像集，且病变处通过颜色进行标注。
[0039]
步骤s2、根据所述训练图像集对待训练神经网络进行训练并得到训练好的监测神经网络。
[0040]
在本技术实施例中，在所述步骤s2和步骤s3之间，还包括：
[0041]
a1、获取所述水稻图像数据；
[0042]
a2、对所述水稻图像数据进行去噪处理；
[0043]
a3、将去噪后的水稻图像数据进行分区。
[0044]
具体的，获取水稻图像数据，可以是无人机或巡逻小车进行拍摄得到，并将拍摄得到的水稻图像数据进行去噪，分区是根据稻田面积进行分区，当稻田面积未超过预设阈值时，不进行分区，超过预设阈值后，分区后的单块面积不大于稻田面积的四分之一。
[0045]
步骤s3、根据所述监测神经网络对稻田中的水稻图像数据进行监测。
[0046]
在本技术实施例中，所述步骤s3具体包括以下分步骤：
[0047]
s31、将分区后的水稻图像数据进行分割处理，得到对应区的水稻的图像数据；
[0048]
s32、将水稻的图像数据输入到所述监测神经网络中获得病变水稻；
[0049]
s33、基于所述病变水稻生成热力图。
[0050]
具体的，分割处理会分割出水稻图像，且还会将水稻图像输入到训练好的监测神经网络中，通过监测神经网络识别出病变水稻，并基于病变水稻生成热力图。
[0051]
在本技术实施例中，所述步骤s32具体包括根据预设的优先级策略对水稻进行监测，其中，所述优先级策略具体为在水稻的不同生长周期优先对水稻不同部位进行监测。
[0052]
具体的，监测神经网络在识别病变水稻的过程中，会根据当前的时节，判断处于水稻生长过程中何种阶段，并根据该阶段对应的高频发病变部位在水稻的图像数据中对对应部位进行优先监测。
[0053]
在本技术实施例中，所述分割处理具体是通过预设的分割算法进行处理的。所述分割算法的网络结构包括特征提取网络、生成矩形框的区域建议网络、对候选区进行池化的兴趣区域匹配层和输出层，其中，输出层具体用于为区域建议预测类标签、边界框和目标掩码。
[0054]
具体的，算法的整体流程为，先将水稻的图像数据输入分割算法的网络中，通过特征提取网络进行特征的提取，再将生成的特征图输入到区域建议网络中标定候选区域，进行非极大值抑制后经过兴趣区域匹配层，将特征图的尺寸进行统一，最后在输出层利用分类分支和边界框回归分支确定候选框的位置坐标和对应类别，在分割分支利用全卷积网络预测出图像中所有水稻目标的二值掩码，得到分割后的水稻图像。
[0055]
在本技术实施例中，所述分割算法的损失函数l
oss
如下式所示：
[0056]
l
oss
＝l
cls
l
box
l
mask
[0057]
式中，l
cls
表示类别的损失，l
box
表示边界框的损失，l
mask
表示掩码损失。
[0058]
其中，
[0059][0060]
式中，n
cls
为归一化参数，为序号为i的候选区域被预测为负样本的概率，pi为序号为i的候选区域被预测为正样本的概率。
[0061]
[0062]
式中，n
box
为归一化参数，为序号为i的候选区域被预测为负样本的概率，r为距离度量函数损失，ti为预测偏移参数，为实际偏移参数。
[0063][0064]
式中，yv为目标真实标签值，为分割算法预测值，m为输出维度尺寸。
[0065]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。