[发明专利]一种基于深度学习的层级叶片病害检测方法和系统

说明书

本发明公开了一种基于深度学习的层级叶片病害检测方法和系统，用于自然环境下苹果叶片病害检测。首先，前置区域提议网络在整个图像生成提议框，并筛选出叶片提议框，后置区域提议网络根据叶片提议框生成病斑提议框。其次，设计了底层特征聚合模块，以更好地利用前置区域提议网络生成的桥接特征。然后，在后置区域提议网络中引入多级ROIAlign块和GCNet，使聚合的特征缩放到相同的大小，更专注于病斑。最后，提出了一种位置锚框生成器，使预设锚框更容易根据病叶的位置捕获目标病斑。复杂自然环境下，该层级苹果叶片病害检测方法可以提高检测任务的召回率和检测精度。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于深度学习的层级叶片病害检测方法和系统。

背景技术

传统苹果病害检测多依赖于农户的个人经验诊断，可靠性和时效性较差，病害检测仅仅依靠人力已经无法满足果园快速发展的需求。深度学习的发展使得卷积神经网络(CNN)获得了广泛关注。利用卷积神经网络代替人类视觉功能，图像传感器来获取植物病害的的图像信息，再将图像存储信息转换成一个多维矩阵，对数据进行计算处理和识别，能够做到对采集到的目标中的主要特征进行精准分析，提取其中的有效信息，进而对植物生长状态进行合理监控。但是苹果在自然果园的生长环境比较复杂，果园广阔导致在摄像头获取的密集病害区域图像中，极易出现大量失焦模糊病斑，同时部分病害的病斑所占像素小、纹理信息不明显，因此复杂环境会严重影响苹果叶片病斑检测的准确性。。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于深度学习的层级叶片病害检测方法和系统，以解决现有技术中叶片病斑检测准确性低的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度学习的层级叶片病害检测方法，包括：

输入待检测图像，通过骨干网络提取不同层级的病害特征，通过特征金字塔网络对不同层级的病害特征进行特征融合和特征提取，获得金字塔特征图；

将金字塔特征图输入至前置区域提议网络，获得所有类别的病害提议框和叶片提议框；所述前置区域提议网络由5个大小为3×3的特征提取卷积层组成；

在每一个叶片提议框中，通过位置锚框生成器生成预制锚框，通过后置区域提议网络回归预制锚框的中心坐标和大小，获得位置的回归参数和病害类别，生成病害提议框；所述后置区域提议网络包括ROI Align模块、注意力模块和特征卷积层；ROl Align模块从叶片提议框中，获得病叶特征；注意力模块调整病叶特征中的权重，获得调整后的病叶特征；特征卷积层基于调整后的病叶特征获得病害提议框；

将所有的提议框通过感兴趣区域检测头提取特征后，获得病害和病叶的分类及位置。

本发明的进一步改进在于：

优选的，金字塔特征图在前置区域提议网络中生成预制锚框，通过4个大小为1×1的卷积对阈值锚框的中心位置和宽高进行回归，得到提议框；通过1个大小为1×1的卷积判别提议框中是否有病害或叶片存在。

优选的，从前置区域网络中提取出低层次特征，获得低层特征聚合模块；所述低层特征聚合模块的公式为：

其中，deconv表示反卷积层，maxpool表示最大池化层，L₁和L₀均为特征图。

优选的，ROl Align模块基于叶片提议框和低层特征聚合模块获得病叶特征。

优选的，后置区域提议网络获得位置的回归参数和病害类别，调整预制锚框的偏移量，网格生成公式为：