[发明专利]一种融合人工智能的水稻病虫害检测系统及其检测方法

权利要求书

1.一种融合人工智能的水稻病虫害检测系统及其检测方法，包括用于进行水稻病虫害进行检测的检测系统和检测系统的检测方法，其特征在于，所述检测系统包括检测前端、检测云端和检测终端；

所述检测前端为计算机视觉系统，检测前端具体包括用于进行数据采集的图像采集设备和用于图像数据处理的嵌入式系统，图像采集设备可选为相机设备，图像采集设备与嵌入式系统之间通过无线网连接进行无线信号通信，检测云端为百度云AI平台，利用百度云AI平台的深度学习技术将图像采集设备采集到的图像进行图像分类，检测前端和检测云端之间通过嵌入式系统上的4G模块进行连接，检测终端用于显示分类结果具体包括计算机设备和打印机设备；

所述检测方法具体包括：

A、图像采集设备不间断的采集田间图像送入嵌入式系统；

B、嵌入式系统对步骤A中采集到的图像进行有无病害的识别，对有病害的图像提取病害区域轮廓，并计算该轮廓匹配的最小矩形；

C、嵌入式系统对步骤B中有病害的图片进行图像处理并上传至检测云端的百度云AI平台；

D、百度云AI平台用不同模型对步骤C上传的处理后的图像进行分类识别；

E、检测终端中的计算机设备获取步骤D中识别的结果并通过打印机设备进行显示。

2.根据权利要求1所述的融合人工智能的水稻病虫害检测系统及其检测方法，其特征在于，所述步骤C中的图像处理过程具体包括：

C1、去噪处理，用cvSmooth(src, dst,CV_GAUSSIAN,0, 0, 1, 0)函数实现，减少噪声的影响；

C2、矫正处理，用OpenCV中的cvCalibrateCamera2（）函数计算相机内参数，对相机进行标定，矫正畸变；

C3、分割处理，用混合高斯建模算法建立codebook背景模型，混合高斯建模用多个满足高斯分布的函数线性组合建模，拟合任意类型场景的分布；设有随机变量，混合高斯模型用 表示：其中是混合高斯模型中的第个分量，遍历图像的每一个像素，同当前K个模型按进行比较，如果符合背景要求，则该像素属于背景，否则属于前景；

C4、膨胀处理，用cvDilate（）函数实现形态学的膨胀转换，对分割出来的部分进行放大，突出细节；

C5、特征提取处理，具体提取颜色、形状、纹理三大类特征。

3.根据权利要求2所述的融合人工智能的水稻病虫害检测系统及其检测方法，其特征在于，所述步骤C5中的特征提取过程具体包括：

C51、颜色特征提取，颜色特征用颜色直方图来描述，颜色直方图反映了一幅图像中不同的色彩在整幅图中所占的比例，用cvCvtColor( src, hsv, CV_BGR2HSV )函数完成图像数据从RGB到HSV的颜色空间转换，用cvCalcHist( planes, hist, 0, 0 )函数统计颜色信息得到颜色直方图；

C52、形状提取特征，形状特征由两个参数描述，Candy边缘与边缘直方图，其中，Candy边缘由cvCanny(pImg, pCannyImg, 50, 150, 3)函数得到，提取边缘后，通过cvConvert函数把图像像素数据转换为矩阵形式，计算梯度，用cvCalcHis函数统计边缘梯度信息得到边缘直方图；

C53、纹理特征提取，纹理特征由灰度特征图描述，量化统计小块区域的颜色和光强分布，将量化值赋给CvScalar结构体s，用cvSet2D(dst,i,j,s)设置像素得到灰度特征图。

4.根据权利要求1所述的融合人工智能的水稻病虫害检测系统及其检测方法，其特征在于，所述步骤D中，利用深度学习图像识别技术进行分类识别，具体包括：

D1、深度学习建模，利用百度云AI提供EasyDL定制化图像识别功能，以步骤C上传的病虫害图片和百度数据库收集到的病害图片中的部分图片作为数据集，对数据集的图像进行特征提取，提取的结果放在相应特征集中，用数据集和特征集分别进行训练，得到普通分类模型和特征分类模型，百度云AI支持多种模型版本，不同版本的模型对于不同类别的数据分类正确率不同，改变模型版本，得到多个正确率不同的模型；

D2、深度学习模型校验，模型训练结束后进行在线校验，用步骤D1中引用数据集后剩余的图片对每个模型手动校验，在线上传图片直接获取分类结果，校验结束后，统计每个模型分类正确的个数并记录，分别计算其正确率。