[发明专利]一种基于计算机视觉的作物叶片蚜虫检测方法

权利要求书

1.一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，包括如下步骤：

a.获取作物叶片图像，包括若干个含有蚜虫的作物叶片照片和正常作物叶片照片；

b. 获得作物叶片分割模型，包括对收集到的作物叶片图像进行标注，生成以作物叶片为目标区域的训练集图像，然后训练并获取U-net图像分割模型；

c.作物叶片的数据集准备和预处理，包括用训练后的U-net图像分割模型对步骤a中的作物叶片图像进行分割，得到作物叶片，然后以32×32像素大小切割作物叶片；

d．获得作物蚜虫识别模型，包括将切割后的作物叶片中含有蚜虫的作为正样本，不含蚜虫的作为负样本，然后构造作物蚜虫识别网络并进行模型优化；

e．将待检测叶片图像进行预处理后输入到作物叶片分割模型中，经过切割后再输入到蚜虫识别模型中，最终判断并标记出蚜虫在叶片中的位置。

2.根据权利要求1所述的一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，步骤e中，根据切割后的作物叶片中含有蚜虫部分的数量n及总数量N得到待检测叶片图像中蚜虫的数量估计。

3.根据权利要求2所述的一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，所述获取作物叶片分割模型的步骤包括：

S1：使用标注工具勾画收集到的作物叶片图像中作物叶片部分，得到若干幅作物叶片掩码的语义分割训练样本；

S2：将S1中以作物叶片为目标图像的数据作为数据集，其中数据集的75%作为训练数据，25%作为测试数据，然后将图像变换为500×500像素的像素大小；

S3：数据增强：为了提高模型的鲁棒性以及准确率，将数据集中原图像经过上下翻转，左右翻转，图像裁剪，图像旋转，图像模糊，灰度变化操作将数据增加若干倍；

S4：构造图像语义分割U-net网络模型；

S5：将S3的数据集输入到S4构造的U-net分割模型中，训练并优化网络，得到最终作物叶片分割模型。

4.根据权利要求1所述的一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，步骤c中，先将作物叶片图像归一化图像大小为500×500像素；作物叶片被切割后形成叶片块集合，去除叶片块集合中叶片占比小于1/6的叶片块。

5.根据权利要求4所述的一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，获得作物叶片蚜虫识别模型包括以下步骤：

（1）将所述正样本和负样本中75%作为训练数据，25%作为测试数据；

（2）对训练数据经过上下翻转、左右翻转、图像裁剪、图像旋转、图像模糊及灰度变化的操作增加若干倍；

（3）构造卷积神经网络模型用于图像识别；

（4）将步骤（2）的数据集输入到步骤（3）构造的神经网络模型中，优化模型，获得蚜虫识别模型。

6.根据权利要求2所述的一种基于计算机视觉的作物叶片蚜虫检测方法，其特征在于，获取所述待检测叶片图像中蚜虫的数量估计的步骤包括：

A. 去除切割后的叶片块集合中不含叶片的叶片块，从而得到N个叶片块；

B. 将上述N个叶片块输入到已训练好的作物叶片蚜虫识别模型中，并得到含有蚜虫的叶片块数量n；

C．估计待检测叶片图像上蚜虫的数量N_A：

其中，α表示单个叶片块中蚜虫的个数

。