[发明专利]一种农作物病虫害智能识别的方法

说明书

本发明公开了一种农作物病虫害智能识别的方法，涉及病虫害智能检测领域，该方法包括：用户终端获取农作物图像并上传至云端和专家系统；在云端中建立算法模型；在专家系统中通过专家诊断分别建立瑕疵数据库和专家建议数据库；通过瑕疵数据库对算法模型进行在线训练和更新；将算法模型输出的病虫害识别结果和专家建议数据库输出的专家建议回传至用户终端并进行展示。本申请通过不断训练和更新算法模型中的数据，使得算法模型中不会有冗余数据，而且提升了算法模型中数据的准确度。

技术领域

本发明涉及病虫害智能检测领域，尤其是一种农作物病虫害智能识别的方法。

背景技术

在病虫害识别中，传统的视觉方式先对图像进行滤波、膨胀腐蚀等形态学处理后，通过SIFT(Scale-Invariant Feature Transform，尺度不变特征变换),SURF(Speeded-UpRobust Features，加速稳健特征)等特征提取算子提取病虫害的图像特征，再输入一张新的图像，通过比对新图像的图像特征和收集的病虫害图像特征来判断是否为病虫害图像。

然而，每次输入一张新图像都需要和整个病虫害数据进行比较，当数据收集越来越多时，计算时间将会越来越长，对比过程非常耗时。

发明内容

本发明人针对上述问题及技术需求，提出了一种农作物病虫害智能识别的方法，通过建立瑕疵数据库对算法模型进行在线训练和更新，使得算法模型中不会有冗余数据，而且提升了算法模型中数据的准确度。

本发明的技术方案如下：

一种农作物病虫害智能识别的方法，包括如下步骤：

用户终端获取农作物图像并上传至云端和专家系统；

在云端中建立算法模型；

在专家系统中，通过专家诊断分别建立瑕疵数据库和专家建议数据库；瑕疵数据库中包括由专家判断出的病虫害识别结果，专家建议数据库中包括由专家给出的各种病虫害对应的解决建议；

通过瑕疵数据库对算法模型进行在线训练和更新；

将算法模型输出的病虫害识别结果和专家建议数据库输出的专家建议回传至用户终端并进行展示。

其进一步的技术方案为，在云端中建立算法模型，包括：提取出农作物图像的图像特征，确定图像特征与病虫害之间的对应关系，根据对应关系通过CNN算法计算出每种病虫害的概率值，若病虫害的概率值大于预定值，则确定农作物患有该病虫害；否则，将不确定的病虫害进行标注，在执行通过瑕疵数据库对算法模型进行在线训练和更新的步骤时，同时会优化被标注的病虫害的算法。

其进一步的技术方案为，算法模型中存有的病虫害种类包括恶苗病、水稻螟虫、稻曲病、稻瘟病、稻纵卷叶螟、稻飞虱和纹枯病。

本发明的有益技术效果是：

通过将用户终端获取到的农作物图像同时发送给云端和专家系统，一方面云端自动分析图像特征，通过CNN算法判断出病虫害识别结果，另一方面通过专家给出的专业的病虫害识别结果以及对应的解决建议，将专家给出的专业的病虫害识别结果建立一个瑕疵数据库，云端的算法模型通过瑕疵数据库进行在线学习和更新，更新意味着会删除不正确的数据，因此算法模型也不会有冗余数据，分析农作物图像的过程用时较短；传统的视觉收集特征的方法中容易包含不属于病虫害的特征，这些特征会干扰病虫害的预测，与传统的视觉收集特征的方法相比，本申请正是通过不断训练和更新算法模型中的数据，保证了算法模型中数据的准确度，使得病虫害分类准确率高达95％以上。

附图说明

图1是本申请提供的农作物病虫害智能识别方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。