[发明专利]一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法

说明书

本发明属于人工智能与植物保护领域，是人工智能与植物保护学科跨学科交叉应用，具体来说发明了一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法，包括：数据获取与标注、显著性病斑区域检测与分割、细粒度对抗生成网络图像增强、深度学习分类模型进行训练，利用训练好的模型进行葡萄叶片病斑识别。该方法主要解决葡萄叶片病症表现为病斑形式，发病早期、新型病害、罕见病斑或训练样本数不足的情况下的叶片病斑识别率低下的问题，主要用于葡萄叶片病斑发病早期病斑识别，可以尽快的做出相应的干预措施，为下一步精准施药奠定基础，最大限度的减少经济损失，可以减少用药量，保护环境。本发明还可以扩展到其他植物叶片病害形式为病斑的情况。

技术领域

本发明涉及人工智能与植物保护相关领域，具体地，发明了一种基于细粒度对抗生成网络(Fine Grained-GAN)的葡萄叶片病斑识别方法。

背景技术

葡萄常见的病害主要有黑腐病(Black rot)、叶枯病(Leaf blight)、黑麻疹病(Black measles)等，从表现形式可以看出，这几种葡萄病害主要表现在叶片上由无数的病斑组成，及时发现葡萄病害的早期特征并进行相应的干预对控制葡萄病害蔓延具有重要的意义，以尽快的做出相应的干预措施，为下一步精准施药奠定基础，最大限度的减少经济损失，还可以减少用药量，保护环境。由于早期病害不容易察觉，尤其是对于罕见的病害，或者新型病害，这种情况最明显的特征就是训练数据不足，缺乏事先已训练好的识别模型可用。解决这一问题常用的方法是进行数据增强，将增强后的数据作为训练集进行训练，从而提升模型的特征表达能力和泛化能力。然而现有数据增强方法一般是针对整个输入图像进行操作，由于病害早期阶段病斑数量较少，直接对整张图像进行数据增强操作会弱化病斑得信息，而背景干扰信息进一步增加，不利于对葡萄叶片病斑进行识别。本发明提出了一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法，该方法可以实现针对显著性病斑区域的局部图像数据增强，以突出病斑的特征，生成具有明显病斑特征的子图，再将子图输入深度学习模型进行训练，以增强模型的泛化能力，可以有效提高葡萄叶片病斑识别的准确率。该方法主要解决葡萄叶片病症表现为病斑形式，发病早期、新型叶斑类病害、罕见病斑且训练样本数不足的情况下的叶片病斑识别率低下的问题。

国内外研究现状分析