[发明专利]一种基于深度学习的柑橘黄龙病检测方法、装置及系统

说明书

本发明涉及一种基于深度学习的柑橘黄龙病检测方法、装置及系统，该方法包括：获取待识别柑橘叶片的图像数据；将所述图像数据，输入到移动端的柑橘黄龙病检测的神经网络模型；确定所述图像数据对应的检测结果。该检测方法操作简便、无损、费用低廉、受广大柑橘生产者欢迎；且简化了诊断流程、降低了诊断成本，可以帮忙果农做到了尽早的检测和发现病害，实现对果园中柑橘果树进行快速、实时、准确、无损的诊断，可为果农施肥、生产提供参考，对果树产量有极大帮助，对推动精准农业和农业信息化有积极作用。

技术领域

本发明涉及柑橘黄龙病智能识别技术领域，特别涉及一种基于深度学习的柑橘黄龙病检测方法、装置及系统。

背景技术

柑橘是世界上生产量最大的水果之一，也是我国南方地区种植规模最大的水果种类之一，在农业经济中占非常重要的地位。而柑橘黄龙病(HLB)对柑橘的生产是有毁灭性的，该病害使柑橘树表现症状为叶片斑驳、叶片黄化、树势衰弱、红鼻子果或者是青果不转色等，还具有蔓延速度快、危害大的特点。一旦柑橘树感染该病，轻者会严重影响其果实产量与质量，重者则造成柑橘植株的枯死，造成我国大部分地区的柑橘产量下降，柑橘寿命短，生产成本增加，严重制约着我国乃至全世界柑橘产业的发展。迄今为止，尚未找到合适有效的药物治疗方法。

为了阻止HLB的扩散，目前在柑橘生产中采用的首要方法是连根挖除，许多柑橘果园因HLB而被摧毁，HLB也被认为是柑橘的癌症，给果农及相关产业造成巨大的经济损失。而及早的发现病株并进行及时的挖除，可以大大的减少生产的损失，对提高柑橘产量和质量有重要意义。目前针对HLB的最可靠的检测方法为PCR检测技术，但该法检测过程繁琐、周期较长、检测费用高以及对检测环境和操作要求高等特点限制着该法在实际生产的应用。另外诸如嫁接诊断、血清学诊断、田间诊断、DNA探针杂交等方法，也因为诊断准确率低、耗时长、成本高、过程繁琐等原因在实际生产中难以推广。

因此，如何提供一种简单方便的检测方法，是同行业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明提出了一种基于深度学习的柑橘黄龙病检测方法、装置及系统，该检测方法快速、高效、可靠；且具有操作简便、无损、费用低廉、容易受广大柑橘生产者应用的优点。

第一方面，本发明实施例提供一种基于深度学习的柑橘黄龙病检测方法，包括：

获取待识别柑橘叶片的图像数据；

将所述图像数据，输入到移动端的柑橘黄龙病检测的神经网络模型；

确定所述图像数据对应的检测结果。

在一个实施例中，所述柑橘黄龙病检测的神经网络模型的建立过程包括：

采集大量柑橘叶片的图像信息，在服务器端建立样本数据库；所述样本数据库包括训练数据和测试数据；

根据所述样本数据库，建立柑橘黄龙病检测的神经网络模型，并训练所述柑橘黄龙病检测的神经网络模型；

将训练后的所述柑橘黄龙病检测的神经网络模型植入到移动端。

在一个实施例中，采集大量柑橘叶片的图像信息，在服务器端建立样本数据库，包括：

对采集的大量柑橘叶片的图像信息，进行旋转，平移和/或尺度变换处理，将采集的图像信息和处理后的图像信息，在服务器端建立样本数据库。

在一个实施例中，所述柑橘黄龙病检测的神经网络模型包括：叶片检测SSD模型和黄龙病诊断模型；

训练所述柑橘黄龙病检测的神经网络模型，包括：

根据所述样本数据库的训练数据，针对每一柑橘叶片，标注相应的健康等级；所述健康等级包括：健康、非HLB黄化、患HLB黄化、花叶和斑驳；

将标注后柑橘叶片的图像信息，训练叶片检测SSD模型；