一种病株诊断及缺株检测方法、系统、设备及存储介质 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及病株诊断及缺株检测领域，特别是涉及一种病株诊断及缺株检测方法、系统、设备及存储介质。背景技术：2.中国是世界葡萄生产大国，随着种植面积的增长、树龄的增加，病害发生频率及危害程度也逐渐加剧，病害成为制约葡萄与葡萄酒产业持续发展最为重要的因素之一。3.葡萄是多年生果树中感染病毒最多的树种。迄今为止，全世界已报道的葡萄病毒及类病毒约70种。葡萄卷叶病(grapevine leafroll disease,gld)是葡萄最严重的病毒病害，被认为是在世界范围内最普遍、造成经济损失最严重的病毒。葡萄卷叶病毒能够抑制葡萄的长势，缩短树体寿命，降低光合作用，影响碳水化合物代谢，尤其是对红色品种影响显著。葡萄卷叶病毒感染引起的减产、果实品质下降造成的经济损失大约在每公顷25000至40000美金。4.葡萄园精细化管理作为智慧农业的一部分，减少卷叶病带来经济损失的管理决策制定建立在对葡萄园卷叶病病情持续监测的基础上。葡萄卷叶病带病毒株在葡萄园区内的空间分布，及其严重度的评估数据是制定有效的管理决策的最主要的根据。卷叶病带病毒株的鉴定主要依靠聚合酶链反应(polymerase chainreaction，pcr)检测技术、高光谱技术或者人工田间调查。然而，这些方法都在叶片尺度上进行鉴定，难以适应葡萄园的种植规模。对于整株葡萄的卷叶病严重程度鉴定仍然依赖人工调查的方法，通过评估表现出病症的叶片数量实现。在实际生产中，基于这些方法，葡萄园管理者只能实现抽样调查，无法获取覆盖全葡萄园区域的带病毒株的空间分布，从而导致对植株的检测结果不准确。5.因此，有必要开发自动化的田块尺度酿酒葡萄卷叶病检测解决方案，实用、可靠、经济且高效准确地检测葡萄园中卷叶病带病毒株的空间分布，完成对其病情严重度的评估，为决策过程提供有意义的信息。技术实现要素：6.本发明的目的是提供一种病株诊断及缺株检测方法、系统、设备及存储介质，能快速准确的对植株进行检测。7.为实现上述目的，本发明提供了如下方案：8.一种病株诊断及缺株检测方法，所述方法包括：9.获取目标园区内植株的目标图像，并根据所述目标图像生成目标正射影像；10.采用设定滑动窗口将所述目标正射影像划分为多个目标窗口图像；11.将多个所述目标窗口图像输入至检测模型，得到各个所述目标窗口图像对应的检测信息；所述检测信息包括：植株的地理位置和植株的发病等级；12.当所述发病等级为零时，表示缺株；13.所述检测模型采用机器学习的方法建立。14.可选地，所述采用设定滑动窗口将所述目标正射影像划分为多个目标窗口图像，具体包括：15.将所述设定滑动窗口按照设定运动轨迹在所述目标正射影像上移动，得到多个目标窗口图像；所述设定运动轨迹是由所述目标正射影像的起始位置和所述正射影像的结束位置确定的。16.可选地，所述设定滑动窗口的大小是根据所述目标园区内植株的株距确定的。17.可选地，所述检测模型的确定方法为：18.获取训练数据；所述训练数据是采用数据增强的方法对原始训练数据进行扩充得到的；所述原始训练数据包括：试验区内各个采样点区域内的植株在不同发病等级下的原始正射影像；19.采用设定滑动窗口在所述训练数据的正射影像上移动，得到多个训练窗口图像；20.将多个所述训练窗口图像划分为训练集和验证集；21.构建共享神经网络；22.将所述训练集输入至所述共享神经网络，以误差最小为目标对所述共享神经网络中的参数进行训练，得到训练后的共享神经网络；23.采用所述验证集对所述训练后的共享神经网络的参数进行调整，得到所述检测模型。24.可选地，所述根据所述目标图像生成目标正射影像，具体包括：25.采用超分辨网络将所述目标图像转换成目标正射影像；所述目标正射影像的分辨率大于设定分辨率值；其中，所述超分辨网络是采用机器学习的方法确定的。26.可选地，所述超分辨网络的确定方法为：27.获取训练图像；所述训练图像包括试验区内各个采样点区域内的植株的原始图像；28.构建训练网络；29.将所述训练图像输入到所述训练网络，以损失最小为目标对所述训练网络的峰值信噪比进行调整，得到调整后的训练网络；30.将所述调整后的训练网络确定为超分辨网络。31.可选地，所述方法还包括：32.对所述检测信息按照所述发病等级进行分类并保存。33.一种病株诊断及缺株检测系统，所述系统包括：34.图像处理模块，用于获取目标园区内植株的目标图像，并根据所述目标图像生成目标正射影像；35.目标窗口图像获取模块，用于采用设定滑动窗口将所述目标正射影像划分为多个目标窗口图像；36.检测信息确定模块，用于将多个所述目标窗口图像输入至检测模型，得到各个所述目标窗口图像对应的检测信息；所述检测信息包括：植株的地理位置和植株的发病等级；37.当所述发病等级为零时，表示缺株；38.所述检测模型采用机器学习的方法建立。39.一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述任意一项所述的病株诊断及缺株检测方法。40.一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的病株诊断及缺株检测方法。41.根据本发明提供的具体实施例，本发明公开了以下技术效果：42.本发明提供了一种病株诊断及缺株检测方法、系统、设备及存储介质，该方法通过获取目标园区内植株的目标图像，并根据目标图像生成目标正射影像；采用设定滑动窗口将目标正射影像划分为多个目标窗口图像；将多个目标窗口图像输入至检测模型，得到各个目标窗口图像对应的检测信息；检测信息包括：植株的地理位置和植株的发病等级；当发病等级为零时，表示缺株；由于采用滑动窗口以及根据机器学习的方法建立的检测模型实现对目标园区内植株的诊断检测处理，能够使得诊断检测更加的迅速，并且还能够提高准确性，因此本发明能够快速准确的对植株进行检测。附图说明43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。44.图1为本发明实施例提供的病株诊断及缺株检测方法的流程图；45.图2为本发明实施例提供的病株诊断及缺株检测系统的结构图；46.图3为本发明实施例提供的检测模型各个层级对应的参数示意图。47.符号说明：48.图像处理模块-1；目标窗口图像获取模块-2；检测信息确定模块-3。具体实施方式49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。50.本发明的目的是提供一种病株诊断及缺株检测方法、系统、设备及存储介质；由于遥感技术具有获取数据迅速、覆盖面积广及时效性的特点，可以快速、大范围地调查卷叶病病情且不具有破坏性。基于遥感技术的植物病虫害检测可以被看作是植物“放射诊断”的一种方法，它能够有效地提供对病虫害的非接触和空间连续监测。这方面的早期研究和应用可以追溯到1980年代。通过航空或卫星图像的目视解译，可以识别因植物病虫害而受损的区域。遥感数据可从多平台获取，包括近地遥感设备、航空、卫星平台。根据不同平台的高度以及传感器类型可得到多尺度下不同空间、时间以及不同光谱分辨率、空间分辨率的多源遥感数据。随着计算机科学、传感器技术的快速发展，广泛的遥感数据已被用于田块尺度植物病虫害检测。在过去的几十年里，计算机视觉算法、特征提取和机器学习算法的研究在多个尺度上进行，揭示了区域范围内监测植物病虫害的新可能性。51.通过理解遥感数据与植物病理学理论之间的联系，从而在许多方面拓宽了农情信息获取的范围，从而为智慧农业中有效决策的制定提供基础。现有研究不仅侧重于检测特定病虫害的发生，而且还评估其感染严重程度，并绘制其在地块或区域级别的分布图。在某些情况下，基于遥感的植物病虫害检测结果已经开始在一些实际应用中显示出巨大的潜力，例如促进田间病虫害精准喷洒或支持植物的高通量表型分析。52.近年来，使用机器学习处理遥感数据为植物病虫害检测提供了新的特征提取和建模思路，超越了传统的光谱特征和统计判别方法。计算机视觉技术结合深度学习是用于识别和分类对象的技术前沿，大量研究表明，结合计算机视觉技术、深度学习处理遥感影像大大提高了植物病虫害检测的准确性。53.为实现卷叶病带病毒株检测及其严重度评估，无人机遥感因其获取的影像数据空间分辨率高、纹理信息丰富等特点，弥补了卫星遥感数据的空间分辨率低的缺陷，更适合获取种植规模较大的葡萄园内的带病毒株空间分布信息。结合计算机视觉技术、深度学习处理无人机遥感影像，可以为解决田块尺度上快速、高效、高精度调查葡萄园内酿酒葡萄卷叶病流行情况及带病毒株定位的问题提供解决方案。因此，本发明提供一种病株诊断及缺株检测方法、系统、设备及存储介质，以快速准确的对植株进行检测。54.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。55.实施例156.如图1所示，本发明实施例提供了一种病株诊断及缺株检测方法，该方法包括：57.步骤100：获取目标园区内植株的目标图像，并根据目标图像生成目标正射影像。可以采用无人机获取目标园区内植株的目标图像。58.具体地，根据目标图像生成目标正射影像，具体包括：59.采用超分辨网络将目标图像转换成目标正射影像；目标正射影像的分辨率大于设定分辨率值；其中，超分辨网络是采用机器学习的方法确定的。60.该超分辨网络的确定方法为：61.获取训练图像；训练图像包括试验区内各个采样点区域内的植株的原始图像。62.构建训练网络。63.将训练图像输入到训练网络，以损失最小为目标对训练网络的峰值信噪比进行调整，得到调整后的训练网络。以损失最小为目标是以损失函数的最小值为目标。该处的损失函数是均方误差所对应的函数。64.将调整后的训练网络确定为超分辨网络。65.步骤200：采用设定滑动窗口将目标正射影像划分为多个目标窗口图像。66.具体地，步骤200，具体包括：67.将设定滑动窗口按照设定运动轨迹在目标正射影像上移动，得到多个目标窗口图像；设定运动轨迹是由目标正射影像的起始位置和正射影像的结束位置确定的。68.进一步地，设定滑动窗口的大小是根据目标园区内植株的株距确定的。69.可以使用matlab编程，处理目标正射影像。通过人机交互的方式获取正射影像中的目标园区内植株的端头两点位置，即目标正射影像的起始位置和正射影像的结束位置。滑动窗口在正射影像上的设定运动轨迹可以是由目标园区内植株端头两点位置确定的直线。70.此外，根据目标园区内植株的株距设置滑动窗口大小。以葡萄园内种植的葡萄为例，某一葡萄园酿酒葡萄或者普通葡萄种植的一般株距为1至2米，则设置滑动窗口的像素大小为96*96。在该实例中，正射影像的地面采样距离为1.74cm，即一像素对应1.74cm，因此96*96像素对应实际的距离为167cm*167cm。71.步骤300：将多个目标窗口图像输入至检测模型，得到各个目标窗口图像对应的检测信息；检测信息包括：植株的地理位置和植株的发病等级。72.当发病等级为零时，表示缺株；检测模型采用机器学习的方法建立。73.其中，检测模型的确定方法为：74.获取训练数据；训练数据是采用数据增强的方法对原始训练数据进行扩充得到的；原始训练数据包括：试验区内各个采样点区域内的植株在不同发病等级下的原始正射影像。75.采用设定滑动窗口在训练数据的正射影像上移动，得到多个训练窗口图像。76.将多个训练窗口图像划分为训练集和验证集。77.构建共享神经网络。78.将训练集输入至共享神经网络，以误差最小为目标对共享神经网络中的参数进行训练，得到训练后的共享神经网络。79.采用验证集对训练后的共享神经网络的参数进行调整，得到检测模型。80.作为一种可选的实施方式，该方法还包括：81.对检测信息按照发病等级进行分类并保存。82.即调用检测模型检测滑动窗口获取的图像，按分类结果将滑动窗口的中心点位置保存，根据正射影像的地理信息，将图像位置转为地理坐标，写入存储模块(或shp文件)，对植株中带病毒株的分布及缺株情况实现可视化。以葡萄园为例，植株中的带病毒株可以是存在卷叶病的葡萄园中的葡萄植株。检测模型可以采用的是se-resnet分类模型。83.该实施例提供的病株诊断及缺株检测方法，在实际应用中的实施步骤还可以如下：以葡萄园为例，病株为卷叶病带病毒株。84.步骤1：采集无人机数据85.使用携带可见光相机的无人机获取葡萄园冠层的可见光图像，可见光图像即照片或者目标图像。无人机在晴朗天气下执行飞行任务，可以设置飞行路线的纵向重叠率85％，旁向重叠率为75％，飞行高度为60米，采集到的图像数据空间分辨率为1.74厘米。所采用的无人机，单块电池的续航时间可支持该飞行任务调查区域面积约为173亩。在无人机执行飞行任务前，使用0.2米×0.2米的白光参考板获取辐射校准的参考数据，以考虑相机特性、反射率特性和环境变化产生的影响。86.步骤2：处理无人机图像87.处理获取的无人机可见光图像数据即目标图像，将目标图像经几何校正、特征点匹配、图像拼接、地理配准过程后，生成酿酒葡萄冠层的正射影像。正射影像包含r、g、b、a共计4个通道的信息。a通道指透明度。在该实例中，a通道为100％，对应值为255。根据目标图像生成目标正射影像可以采用pix4d mapper软件实现。88.步骤3：构建酿酒葡萄冠层诊断模型，即构建检测模型89.使用深度学习分类算法实现带病毒株的严重程度精准诊断。深度学习网络结构使用增加了se(squeeze-and-excitationnetworks)模块的se-resnet18。具体的诊断模型构建步骤如下：90.第一步：构建数据集即获取训练数据91.数据集即训练数据中包括正射影像图像和正射影像图像对应的分类标签。首先，要获取葡萄植株在不同发病等级下的原始正射影像。92.通过实地调查的方法对试验区域内的采样点相应的葡萄植株是否患病进行评估，按5级标准记录带病毒株发病严重程度。可以使用巡检手持机(精度为0.01米)记录采样点的地理信息，采用wgs-84坐标系作为定位坐标系。93.发病严重程度的评估标准是：94.1级：无症状；2级：仅在枝条基部老叶上有轻微卷叶病症状；3级：植株有三分之一以下的叶片有卷叶病的病状；4级：植株有三分之一到二分之一的叶片有卷叶病症状；5级：植株有二分之一以上的叶片有卷叶病症状。95.卷叶病症状表现为患病叶片的叶肉呈浅红色斑驳状，随后斑点的颜色逐渐加深，色斑将扩展到整个叶片。96.利用采样点的地理信息，检索正射影像对应的图像位置，找到正射影像中对应的带病毒株所在区域的中心点。每个采样点的采样区域大小为1.67米×1.67米。根据区域位置，剪裁正射影像。分类标签来源于该采样点对应的实地调查中记录的带病毒株发病严重程度。97.每个发病等级的原始正射影像的大小为600幅图像，分类标签一共是6种，分别是缺株0级、带病毒株1级、带病毒株2级、带病毒株3级、带病毒株4级、带病毒株5级。其中，选取每个类别中的60个样本输入至该发病等级的原始正射影像中，选取29个样本作为测试集。采用数据增强的方法对该发病等级的原始训练数据进行扩充得到该发病等级对应的训练数据；即使用包括增加高斯噪声的数据增强方法进行数据的扩充，最终每个发病等级的原始正射影像包含600个样本，将所有发病等级的原始正射影像组合在一起，得到训练数据；然后选取其中的75％作为训练集，25％作为验证集。98.第二步：基于vdsr的图像超分辨率99.数据集中的图像初始分辨率为96*96，使用vdsr的方法将其超分辨率为224*224。vdsr是通过训练41层cnn网络得出将图像中的低频信息恢复出高频信息的超分辨率模型。使用空间分辨率为0.69厘米和5.34厘米的数据集，作为训练模型的高分辨率和低分辨率图像。通过地理配准的方式使匹配图像的区域一致，低分辨率图像使用双三次插值方式与高分辨率图像大小保持一致。输入图像的像素大小为96×96。以均方误差mse作为损失函数以获得最佳峰值信噪比(psnr)，一共训练了100个图像对得到了超分辨率模型。100.即采用超分辨网络将目标图像转换成目标正射影像；目标正射影像的分辨率大于设定分辨率值。101.第三步，构建分类模型即检测模型102.检测模型设置的训练最小批次量为8，训练步长为20，学习率为0.01。将最终得到的检测模型保存为*.mat格式。学习率指的是在训练共享神经网络时，对参数训练更新的幅度。检测模型包括：cnn卷积层，maxpool最大池化层，averpool全局池化层。cnn卷积层采用的是conv向量卷积运算。图3为检测模型各个层级对应的参数。图3中的fc层指的是全连接层，可以表示为投影的过程。103.步骤4：基于滑动窗口法检测带病毒株104.使用matlab编程，处理目标正射影像。通过人机交互的方式获取目标正射影像中的葡萄行端头两点位置。根据葡萄园酿酒葡萄种植的一般株距1至2米，设置滑动窗口大小为96*96。滑动窗口在正射影像上的运动轨迹为葡萄行端头两点位置确定的直线。105.调用步骤3中的检测模型，即se-resnet分类模型，检测滑动窗口获取的目标窗口图像。并按分类结果将滑动窗口的中心点位置保存，根据正射影像的地理信息，将图像位置转为地理坐标，写入shp文件，对葡萄园卷叶病带病毒株的分布及缺株情况进行可视化处理。106.上述提到的步骤1-步骤4，在实际应用中，并不是必须按照此步骤的顺序进行操作，只要能够保证各个步骤按照逻辑关系，达到最终的检测目的即可。107.通过应用无人机遥感技术快速调查葡萄园的冠层长势情况，结合计算机视觉算法及深度学习算法实现了葡萄园内卷叶病病株的精准定位与发病严重度的精确诊断，同时检测了卷叶病导致的缺株情况，并将诊断结果显示在葡萄园的地理信息系统中，对葡萄园卷叶病的流行情况进行了可视化。酿酒葡萄冠层诊断模型在测试集上的精确度为0.92。这个结果可以为葡萄园的精细管理决策提供参考。108.实施例2109.为了执行上述实施例1对应的方法，以实现相应的功能和技术效果，下面提供一种病株诊断及缺株检测系统，该系统包括：图像处理模块1、目标窗口图像获取模块2和检测信息确定模块3。110.图像处理模块1，用于获取目标园区内植株的目标图像，并根据目标图像生成目标正射影像。111.目标窗口图像获取模块2，用于采用设定滑动窗口将目标正射影像划分为多个目标窗口图像。112.检测信息确定模块3，用于将多个目标窗口图像输入至检测模型，得到各个目标窗口图像对应的检测信息；检测信息包括：植株的地理位置和植株的发病等级。113.当发病等级为零时，表示缺株；检测模型采用机器学习的方法建立。114.实施例3115.本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1的病株诊断及缺株检测方法。116.可选地，上述电子设备可以是服务器。117.另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例1的病株诊断及缺株检测方法。118.本发明所采用的检测模型和超分辨网络的优点：119.(1)检测模型采用的是机器学习中的深度学习网络结构构建的，其优点为：120.相比于其他深度学习网络结构，resnet-50在测试集上的精确度为0.66，googlenet在测试集上的精确度为0.52，googlenet为一种全新的深度学习结构；mobile v2在测试集上的精确度为0.58，轻量级网络shufflenet在测试集上的精确度为0.60，nasnet在测试集上的精确度为0.62，place365-inceptionv3在测试集上的精确度为0.52，vgg-16在测试集上的精确度为0.52，resnet-18在测试集上的精确度为0.64。121.通过加入se模块提升了分类精度。se模块包括了压缩和激发两个部分，压缩(squeeze)通过在特征图(feature map)层上执行全局平均池化(global average pooling)，得到当前feature map的全局压缩特征量；激发(excitation)通过两层全连接的bottleneck结构(沙漏型结构)得到feature map中每个通道的权值，并将加权后的feature map作为下一层网络的输入。122.(2)超分辨网络即vdsr超分辨方法的优点123.使用每个图像相对于参考图像的峰值信噪比(psnr)、每个图像的结构相似性指数(ssim)作为评估这种超分辨率方法的定量指标。ssim评估图像的三个特征对参考图像的视觉影响：亮度、对比度和结构。ssim值越接近1，测试图像与参考图像的一致性越好。psnr值越大通常表示图像质量越好。124.通过设置三个梯度的比例因子对pnsr及ssim进行评估，结果表明，在三个梯度上，使用vdsr获取低分辨率图像的超分辨图像结果是优于传统的双三次插值方法。当比例因子为2时，使用vdsr的pnsr为40.3710，ssim为0.9909；而双三次插值方法的psnr为38.5543，ssim为0.9866。当比例因子为3时，使用vdsr的pnsr为33.6644，ssim为0.9670；而双三次插值方法的psnr为33.4460，ssim为0.9643。当比例因子为4时，使用vdsr的pnsr为33.7361，ssim为0.9610；而双三次插值方法的psnr为32.7132，ssim为0.9542。125.因此，本发明能够快速准确的对植株进行检测。126.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。127.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!