CN115828181A - 基于深度学习算法的马铃薯病害种类识别方法 - Google Patents
基于深度学习算法的马铃薯病害种类识别方法 Download PDFInfo
- Publication number
- CN115828181A CN115828181A CN202211112467.6A CN202211112467A CN115828181A CN 115828181 A CN115828181 A CN 115828181A CN 202211112467 A CN202211112467 A CN 202211112467A CN 115828181 A CN115828181 A CN 115828181A
- Authority
- CN
- China
- Prior art keywords
- data
- potato
- meteorological station
- deep learning
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习算法的马铃薯病害种类识别方法,包括以下步骤:1、数据采集,包括无人机遥感数据、无线IoT气象站回传数据、地面病害图像数据集和人工采集的马铃薯生物特征数据;2、视觉图像数据特征提取;3、气象站数据特征提取,将无线IoT气象站数据进行编码,使其符合深度学习网络要求,将其转换为一维向量;4、马铃薯生物特征数据特征提取,将生物特征数据进行整合编码,非数值型数据进行one‑hot编码,使数据转换为一维向量;5、数据融合方法,使用一个全连接网络,将视觉数据和气象站数据的特征进行融合,并输出马铃薯病害识别结果。本发明通过多数据相结合对马铃薯病害进行判断,能够提高不同环境和时期下马铃薯识别的精度。
Description
技术领域
本发明涉及的是一种马铃薯病害种类识别方法,具体涉及一种基于深度学习算法与多数据融合的马铃薯病害种类识别方法。
背景技术
对于马铃薯的病害检测,目前常用的手段有通过深度学习对感病叶片进行识别检测,一般是通过采集马铃薯病害图像,对叶片颜色、形状、纹理、以及光谱等信息进行分析,通过现有的算法对图像进行特征提取,最后通过模型训练来得到较好的马铃薯病害识别模型。这种方法,仅通过对单一的图像数据进行分析,往往只针对特定目标环境的马铃薯病害识别具有意义,同时对于要识别的图像有很高的要求,在不同的环境或者生长条件下去识别马铃薯的病害情况错误率较高,不能达到我们进行普遍识别的需求。
多数据融合是指结合并同时使用来自多个数据源的数据和信息,以达到比单独使用数据源更好的性能,基于深度学习算法与多数据融合技术的马铃薯病害识别方法是提高非侵入式病害识别客观性、效率、准确度的重要发展方向。
最早尝试利用多数据融合进行作物病害识别的方法之一,是通过整合气象数据和卫星遥感数据进行开发的小麦白粉病识别模型(Zhang et al.,2014)。该模型基于罗辑回归和从两个数据源中提取到的有效特征,已完成病害分类任务。表明了数据融合方法在病害识别中具有应用潜力。
在(Zhao et al.,2020)中,作者提出了一种基于图像和背景信息(季节、地理位置、温湿度)数据的农作物病害检测模型,该模型由用于视觉特征提取的CNN、用于融合背景特征的ContextNet,以及用于融合所有特征和最终预测的全链接网络组成,并实现了97.5%的识别精度。然而,该方法受到了来自77种作物的疾病的季节性和区域性差异而导致的数据不平衡的限制,从而导致了在实际应用中效果不理想。
针对于上述问题,本发明将针对特定作物马铃薯的病害识别,从而避免了不同种类疾病的季节性和区域性差异而导致的数据不平衡问题。同时,本发明的方法,将进一步引入无人机遥感数据源、结合地面图像数据源、以及通过气象站采集的背景信息(季节、地理位置、温湿度)数据以及当前马铃薯本身的生物特征数据(叶面积、生长期、株高等),基于深度学习开发在实际生产中具有可用性的病害识别方法。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于深度学习算法与多数据融合的马铃薯病害种类识别方法,通过在进行图像数据的处理后结合马铃薯本身所生长的环境数据以及马铃薯自身的一些生物特征数据进行数据融合,通过多数据相结合来对马铃薯病害进行判断,能够提高不同环境和不同时期下马铃薯识别的精度。
为了实现上述目的,本发明是通过如下的技术方案来实现:基于深度学习算法的马铃薯病害种类识别方法,通过无人机搭载光学传感器,对架设好气象站的农田环境下的马铃薯进行病害的识别,具体识别流程如下:
1、数据采集,包括无人机遥感数据、无线IoT气象站回传数据、地面病害图像数据集和人工采集的马铃薯生物特征数据;
2、视觉图像数据特征提取,使用具有大尺寸的卷积核的AlexNet用于降噪处理、可以大大减少参数数量的VGG16、结合多个网络模型特点的EfficientNet、以及可以快速收敛的ResNet50作为方法中的主干,以完成马铃薯病害图像的特征提取;
3、气象站数据特征提取,将无线IoT气象站数据进行编码,也就是将地理位置、温度和湿度,使其符合深度学习网络要求,将其转换为一维向量;
4、马铃薯生物特征数据特征提取,将生物特征数据进行整合编码,非数值型数据进行one-hot编码,使数据转换为一维向量;
5、数据融合方法,使用一个全连接网络,将视觉数据和气象站数据的特征进行融合,并输出马铃薯病害识别结果。
所述的步骤1中的无人机遥感数据包括了RGB图像数据,以及多光谱图像数据。
所述的步骤1中的无线IoT气象站回传数据包括了地理位置和温湿
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明所述的田间采集数据模式示意图;
图2为本发明实施例的马铃薯病害多数据融合识别过程示意图。
具体实施方式
于降噪处理、可以大大减少参数数量的VGG16、结合多个网络模型特点的EfficientNet、以及可以快速收敛的ResNet50作为方法中的主干,以完成马铃薯病害图像的特征提取;
3、气象站数据特征提取,将无线IoT气象站数据进行编码,也就是将地理位置、温度和湿度,使其符合深度学习网络要求,将其转换为一维向量;
4、马铃薯生物特征数据特征提取,将生物特征数据进行整合编码,非数值型数据进行one-hot编码,使数据转换为一维向量;
5、数据融合方法,使用一个全连接网络,将视觉数据和气象站数据的特征进行融合,并输出马铃薯病害识别结果。
本具体实施方式的算法:
输入:{图像数据、当前的气象数据、马铃薯的生物特征数据、图像标签};
图像数据:无人机遥感图像、地面病害图像数据;
气象数据:采集到的田间气象数据,包括空气温湿度、土壤温湿度;
马铃薯生物特征数据:通过采样获取马铃薯的平均叶面积、叶绿素、株高、生长周期;
标签:模型训练时使用。
过程:
实施例1:采集田间马铃薯遥感图像,田间气象站数据,人工采集马铃薯生物特征数据,将无人机遥感数据及地面采集的图片数据共同构建成图像数据集,结合气象数据及生物特征数据构建成整个马铃薯病害识别数据集。具体采集模式如图1所示。
2对采集到的数据进行预处理,针对于遥感图像数据,首先进行拼接然后分割不同的图像,结合地面采集的图像进行预处理,包括图像裁剪、图像增强、随机裁剪等扩大图像训练数据集来防止模型训练过程中出现过拟合;对于气象站数据,将非数值型数据进行数值化,构造成纯数值型数据,然后将数据进行标准化处理;马铃薯生物特征数据进行数值化处理,构造成一维数组形式同时将数据进行标准化处理。将图像数据统一裁剪成224*224大小然后将图像的三通道数据保存成数组格式分别与气象数据和生物特征数据以及标签共同构建为马铃薯识别数据集。
3构建模型对数据集进行训练,采用上述代码中的EfficientNet网络作为图像特征提取的主干网络,将图像数据经过网络后提取图像特征,然后与气象站数据及生物特征数据进行融合,最后进行图像的分类。整个过程为图2所示。
4通过该模式进行识别马铃薯病害,可以在进行图像识别的基础上增加环境条件及马铃薯生长态势对识别精度的影响,可以泛化对马铃薯病害的识别,提高整体的识别精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于深度学习算法的马铃薯病害种类识别方法,其特征在于,通过无人机搭载光学传感器,对架设好气象站的农田环境下的马铃薯进行病害的识别,具体识别流程如下:
(1)、数据采集,包括无人机遥感数据、无线IoT气象站回传数据、地面病害图像数据集和人工采集的马铃薯生物特征数据;
(2)、视觉图像数据特征提取,使用具有大尺寸的卷积核的AlexNet用于降噪处理、可以大大减少参数数量的VGG16、结合多个网络模型特点的EfficientNet、以及可以快速收敛的ResNet50作为方法中的主干,以完成马铃薯病害图像的特征提取;
(3)、气象站数据特征提取,将无线IoT气象站数据进行编码,也就是将地理位置、温度和湿度,使其符合深度学习网络要求,将其转换为一维向量;
(4)、马铃薯生物特征数据特征提取,将生物特征数据进行整合编码,非数值型数据进行one-hot编码,使数据转换为一维向量;
(5)、数据融合方法,使用一个全连接网络,将视觉数据和气象站数据的特征进行融合,并输出马铃薯病害识别结果。
2.根据权利要求1所述的基于深度学习算法的马铃薯病害种类识别方法,其特征在于,所述的步骤(1)中的无人机遥感数据包括了RGB图像数据,以及多光谱图像数据。
3.根据权利要求1所述的基于深度学习算法的马铃薯病害种类识别方法,其特征在于,所述的步骤(1)中的无线IoT气象站回传数据包括了地理位置和温湿度。
4.根据权利要求1所述的基于深度学习算法的马铃薯病害种类识别方法,其特征在于,所述的步骤(1)中的地面病害图像数据集将包括患早疫病、晚疫病和健康的马铃薯数据,马铃薯的生物特征数据包括马铃薯当前的叶片面积、叶绿素、株高、生长周期数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211112467.6A CN115828181A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习算法的马铃薯病害种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211112467.6A CN115828181A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习算法的马铃薯病害种类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115828181A true CN115828181A (zh) | 2023-03-21 |
Family
ID=85523577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211112467.6A Pending CN115828181A (zh) | 2022-09-14 | 2022-09-14 | 基于深度学习算法的马铃薯病害种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168223A (zh) * | 2023-04-20 | 2023-05-26 | 华南农业大学 | 一种基于多模态的花生叶斑病病害等级检测方法 |
-
2022
- 2022-09-14 CN CN202211112467.6A patent/CN115828181A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168223A (zh) * | 2023-04-20 | 2023-05-26 | 华南农业大学 | 一种基于多模态的花生叶斑病病害等级检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | In-field automatic observation of wheat heading stage using computer vision | |
CN111898503B (zh) | 基于云覆盖遥感影像和深度学习的作物识别方法和*** | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Li et al. | Temporal attention networks for multitemporal multisensor crop classification | |
CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
Almoujahed et al. | Detection of fusarium head blight in wheat under field conditions using a hyperspectral camera and machine learning | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
CN116681929A (zh) | 一种麦类作物病害图像识别方法 | |
CN115828181A (zh) | 基于深度学习算法的马铃薯病害种类识别方法 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
Yan et al. | High-resolution mapping of paddy rice fields from unmanned airborne vehicle images using enhanced-TransUnet | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
CN112861802B (zh) | 基于时空深度学习融合技术的农作物全自动化分类方法 | |
Sunitha et al. | Modeling convolutional neural network for detection of plant leaf spot diseases | |
Zhang et al. | Automatic non-destructive multiple lettuce traits prediction based on DeepLabV3+ | |
CN116597204A (zh) | 基于Transformer网络的草地多时相高光谱分类方法 | |
CN117132884A (zh) | 一种基于地块尺度的农作物遥感智能提取方法 | |
CN116503740A (zh) | 一种精准识别作物种类的无人机视觉*** | |
Nagila et al. | The effectiveness of machine learning and image processing in detecting plant leaf disease | |
CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
Sun et al. | A highly efficient temporal-spatial probability synthesized model from multi-temporal remote sensing for paddy rice identification | |
Kalmukov et al. | Methods for Automated Remote Sensing and Counting of Animals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |