[发明专利]一种基于高光谱图像的大豆病虫害识别方法和装置

说明书

本发明公开一种基于高光谱图像的大豆病虫害识别方法和装置，该方法包括：步骤一，利用无人机搭载的高光谱相机与RGB相机采集高光谱数据集及其对应的RGB数据集；步骤二，对采集的高光谱数据集进行数据增广；步骤三，对RGB图像进行植株区域分割后与对应的高光谱图像进行像素点相乘得到含植株区域的图像，对该图像进行预处理计算出各类别平均光谱特性曲线；步骤四，输入高光谱数据集至大豆病虫害识别网络模型，采用课程学习方式以及各类别平均光谱特性曲线进行模型训练；步骤五，采用训练好的大豆病虫害识别网络模型，对采集输入的高光谱图像进行预测分类，输出最终预测的虫害类别。本发明能有效提高大豆病虫害识别的准确度。

技术领域

本发明涉及高光谱图像处理领域，尤其涉及一种基于高光谱图像的大豆病虫害识别方法和装置。

背景技术

在我国种植大豆的过程中，病害与虫害是造成我国大豆粮食减产与质量不过关的主要原因。产生病害与虫害的主要原因是由于大豆这种植物本身的特性造成的。

在大豆的病害中，大豆纹枯病，菌核病，灰斑病以及根腐病是主要的类型。其中灰斑病是大豆病害中最常见的类型，已经被列为世界性病害。在我国，灰斑病主要在东北三省的大豆产区常见；大豆植株一旦患病，则会带来严重的减产问题，普遍减产率在10%-50%不等，对我国经济带来严重的影响。灰斑病主要影响的是大豆的叶片和籽粒，发病时叶片的状态会有很大的不同。

在大豆的虫害中，常见的虫害类型有：食心虫，蚜虫，红蜘蛛等。我国东北地区作为大豆的主要产区，蚜虫的危害最为严重，感染蚜虫的大豆叶片常常表现为：叶片蜷缩卷曲，分泌透明粘稠液体。在大豆开花后，花蕾受到蚜虫侵扰饱和度下降，直接影响到大豆产量。更有甚者，蚜虫过多导致大豆死亡。

随着电子技术的不断发展，高光谱遥感技术已逐渐被被应用于农作物营养素诊断，分类识别，品质鉴定等应用中。高光谱图像由上百个波段的图像组成，这使得它可以在细粒度的水平上识别或检测材料，特别是在视觉角度拥有非常相似的光谱特征。高光谱图像的分类一般有以下几个步骤组成：预处理（去噪），降维，特征提取到最后的分类。其中，特征提取阶段得到了广泛的关注。过去的几十年里，手工特征被大量应用于特征提取阶段；这种提取特征的方式在样本量较小时效果比较好，随着样本量的增加效果将逐渐减弱。

随着深度学习的发展，神经网络逐渐被用于图像的特征提取当中，但是传统的CNN网络在提取全局特征时表现得不够好。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种基于高光谱图像的大豆病虫害识别方法，以Transformer为主干网络的模型中，并且在训练阶段使用课程学习的方式来避免过拟合问题，其具体技术方案如下：

一种基于高光谱图像的大豆病虫害识别方法，包括以下步骤：

步骤一，利用无人机搭载的高光谱相机与RGB相机在不同高度拍摄高光谱图像及其对应的RGB图像，得到采集的高光谱数据集及其对应的RGB数据集；

步骤二，基于开源RGB数据集对步骤一采集的高光谱数据集进行数据增广；

步骤三，对开源RGB数据集和采集的RGB数据集中的图像进行植株区域分割，得到掩膜图像，将掩膜图像与对应的高光谱图像进行像素点相乘得到含植株区域的图像，再进行预处理计算出各类别平均光谱特性曲线；

步骤四，将数据增广后的高光谱数据集输入大豆病虫害识别网络模型，采用课程学习方式以及步骤三得到的各类别平均光谱特性曲线进行模型训练，得到训练好的大豆病虫害识别网络模型；

步骤五，采用训练好的大豆病虫害识别网络模型，对采集输入的高光谱图像进行预测分类，输出最终预测的虫害类别。

进一步的，所述步骤二，具体包括以下子步骤：

步骤2.1，加载已经在开源RGB数据集上训练完成的高光谱图像重建网络，所述高光谱图像重建网络采用MST++算法；