[0001] 本发明属于作物病害识别技术领域，尤其涉及一种作物病害精准识别方法及系统。

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 大田作物作为传统露天种植的典型代表，极易遭受外界环境的干扰，导致病害发生，危及粮食安全。

[0004] 传统意义的病害识别及防治，基本靠种植经验或植物病理知识的分析与判断，传统病害识别在农业生产过程中，耗费人力且往往有经验主义导致的误判，无法实现智能化。

[0005] 21世纪以来，人工智能、大数据、计算机视觉等先进技术日趋成熟，许多学者已经尝试对农作物病害的智能识别进行研究，也取得了很多智能技术的突破，但仅仅依靠人工智能技术得到的识别结果并不理想，现有的智慧农业作物病害识别技术与方法大都集中在单纯的病害图像特征识别，建立笼统的图像数据集，再通过积累大量的图像数据进行训练与测试。由于作物之间表型性状会存在比较高的相似度，单纯通过单一部位图像特征识别，鲁棒性差，且大量训练数据的采集耗时耗力，识别精度提高的难度大、周期长。

[0006] 发明人在进行大田作物病害智能识别研究时，发现现有技术中精度难以提高的缺陷是由数据集笼统不清晰、对病害发生的特征规律及识别要点不明确所导致，仅仅是从人工智能识别的相关算法及技术层面寻求突破，对病害识别的精度提高收效甚微。

[0052] 应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

[0053] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

[0054] 在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0055] 本发明提出的总体思路：

[0056] 发明人在进行大田作物病害智能识别研究时，发现现有技术中精度难以提高的缺陷是由数据集笼统不清晰、对病害发生的特征规律及识别要点不明确所导致，仅仅是从人工智能识别的相关算法及技术层面寻求突破。发明人经过现有成果的研究试用发现，解决该项缺陷可以通过人工智能算法识别技术结合病害发生定位及农艺特征来实现，分类分级形成结构化的病害识别流程，提高识别精度。

[0057] 因此，本发明提出了一种作物病害精准识别方法及系统，其中作物病害精准识别方法包括以下步骤：

[0058] (1)构建病害数据集：采用地面图像采集设备或其它渠道实现对特定作物常发病害的标准特征图像采集，在现有网络资源及种植生产条件下，采集数据，建立不同作物不同器官的标准病灶特征图像数据集。其中包括①作物特征数据集，包含目标区域主要作物的完整植株图像，需满足可清晰标注作物器官的分辨率要求；②分器官病灶数据集，包含目标区域主要作物分器官的多发病害病灶特征图像，需满足标注分器官病灶特征的要求。

[0059] (2)构建病害信息数据库：根据植物病理及农艺相关知识经验，构建目标作物常发病害的背景特征数据库，包括病害主要侵染的植株器官、常发的特定背景月份、易发环境条件等。

[0060] (3)搭建识别算法模型：使用labelme等标注工具对(1)中所述数据集进行特征标注，对数据集①进行作物种类及器官的数据标注，对数据集②进行分器官病灶的数据标注，利用faster rcnn卷积神经网络，用目标检测技术，实现对所述(1)中目标区域主要作物种类及器官、分器官病灶的算法识别，形成作物种类与器官识别算法模型及分器官病灶识别算法模型。

[0061] (4)病害四级结构化分类定位：为提高病害图像识别精度，定义了一个四级结构化分类定位。利用手机等地面图像采集设备采集两张待识别图像，图像1包含发病作物完整植株，图像2包含图像1发病作物的具体发病病灶。所谓结构化分类，是根据病害隶属关系，层层定位，锁定病害范围。

[0062] 四级结构化分类定位具体包括：

[0063] 首先，将待识别图像1输入作物种类与器官识别算法模型，用目标检测技术，确定发病作物种类；

[0064] 其次，进一步用目标检测技术，定位病害发生器官；

[0065] 再者，根据分器官识别的结果，将待识别图像2输入分器官病灶识别算法模型，定位病灶所属病害范围；

[0066] 最后，结合图像采集时间，关联当前病害所发生的背景月份、环境条件等，与(2)中病害信息数据库中病害特征相匹配，得到现有条件的目标作物常发病害范围，与病灶识别所得结果作比对，确定具体病害，实现病害的精准识别。

[0067] 实施例一

[0068] 本实施例公开了一种作物病害精准识别方法。

[0069] 如图1所示，一种作物病害精准识别方法，包括以下步骤：

[0070] 步骤一：采集作物常发病害的标准特征图像，建立不同作物不同器官的标准病灶特征图像数据集；

[0071] 步骤二：构建作物常发病害的背景特征数据库，包括病害主要侵染的植株器官、常发背景月份、易发环境条件；

[0072] 步骤三：利用faster rcnn卷积神经网络，用目标检测技术，实现对标准病灶特征图像数据集中目标区域主要作物种类及器官、分器官病灶的算法识别，形成作物种类与器官识别算法模型及分器官病灶识别算法模型；

[0073] 步骤四：获取待识别图像，基于作物种类与器官识别算法模型确定待识别图像中的发病作物种类和发病器官；基于发病器官，利用对应发病器官的分器官病灶识别算法模型确定待识别图像的病害范围，输出具备相似特征的病灶病害；

[0074] 步骤五：基于作物常发病害的背景特征数据库，关联背景特征数据库中的背景月份与图像采集时间、背景特征数据库中的环境条件以及图像采集环境条件，输出匹配的作物病害类型；

[0075] 步骤六：求取步骤四中确定的病灶病害与步骤五中确定的作物病害类型中共性的病害种类，实现病害的精准识别。

[0076] 进一步的，所述步骤一，具体包括：

[0077] 采集目标区域主要作物的完整植株图像，构建作物特征数据集；

[0078] 采集目标区域主要作物分器官的多发病害病灶特征图像，构建分器官病灶数据集；

[0079] 将作物特征数据集和分器官病灶数据集作为标准病灶特征图像数据集。

[0080] 进一步的，所述步骤二中，背景特征数据库是根据植物病理及农艺相关知识经验确定的。

[0081] 进一步的，所述步骤三中，作物种类与器官识别算法模型用于对作物种类及器官进行识别，分器官病灶识别算法模型用于对相应器官的病害范围进行识别。

[0082] 在本实施例中，形成作物种类与器官识别算法模型及分器官病灶识别算法模型的步骤包括:

[0083] (1)数据准备和预处理:分别提取步骤一中的植株及器官部分、分器官病灶部分，将患病植株及器官、分器官病灶作为模型训练的正样本,其他部分作为负样本；

[0084] (2)对正样本数量进行增强；

[0085] (3)构建图像检测模型：构建图像检测模型包括，以faster rcnn卷积神经网络作为特征提取层，提取图像的特征图(feature maps)，生成候选框提取网络(Region Proposal Networks)，将提取到的特征图输入至候选框提取网络中，利用候选框提取网络生成候选框(region proposals)；收集候选框的感兴趣区域池化层(ROI Pooling)，利用该池化层整合feature maps和proposals,将整合后的feature maps和proposals作为后续的判别目标类别的输入；最后将整合后的feature maps和proposals经过分类和回归网络，判断目标图像，实现分类。

[0086] (4)将步骤(1)中的数据集样本按一定比例分为训练集、测试集和验证集。

[0087] (5)将步骤(4)中的数据集输入到(3)中构造的图像检测模型中,训练所述图像检测模型,分别获得作物种类与器官识别算法模型、分器官病灶识别算法模型。

[0088] 以上具体的作物种类与器官识别算法模型及分器官病灶识别算法模型的步骤为现有技术，本实施例中不再进行展开叙述。

[0089] 进一步的，所述步骤四，具体包括：

[0090] 步骤S401:获取同一作物的两张待识别图像，其中待识别图像1包含发病作物完整植株，待识别图像2包含待识别图像1中发病作物的具体发病病灶；

[0091] 步骤S402:将待识别图像1输入作物种类与器官识别算法模型中，用目标检测技术，确定发病作物种类和病害发生器官；

[0092] 步骤S403:基于病害发生器官，将待识别图像2输入至对应病害发生器官的分器官病灶识别算法模型中，定位病灶所属病害范围，并输出具备相似特征的病灶病害。

[0093] 进一步的，所述步骤S402，具体包括：

[0094] 将待识别图像1输入作物种类与器官识别算法模型，用目标检测技术，标定待识别病害的作物种类；

[0095] 在标定了发生病害作物种类的植株上继续标定发病作物的发病器官，首先标定地上器官茎、叶、果；

[0096] 若地上器官无发病病灶，则需将作物拔出，标定根部，通过作物种类与器官识别算法模型，最终确定病害发生的具体器官。

[0097] 进一步的，所述步骤五，具体包括：

[0098] 获取待识别图像的采集时间，将待识别图像的采集时间关联到背景特征数据库中的背景月份，同时将待识别图像中由传感器、气象站实时采集的环境条件关联到背景特征数据库中的环境条件，与病害信息数据库作对比，输出匹配的作物病害类型。

[0099] 进一步的，所述步骤三还包括：

[0100] 首先使用labelme标注工具对步骤一中标准病灶特征图像数据集进行特征标注：

[0101] 对作物特征数据集进行作物种类及器官的数据标注；

[0102] 根据病害特有的视觉表现特征对分器官病灶数据集进行分器官病灶的数据标注。

[0103] 本发明实施例提供一种技术方案：

[0104] 一种基于四级结构化定义的作物病害精准识别方法，用以识别大河湾农场主要作物玉米、大豆的常发病害，具体包括以下步骤：

[0105] (1)本发明首先需构建病害数据集。采用地面图像采集设备，如巡检机器人、手机、数码相机等，实现对玉米及大豆两种作物常发病害的标准特征图像采集，在现有网络资源及种植生产条件下，采集数据，分别建立玉米及大豆不同器官的标准病灶特征图像数据集。其中包括①作物特征数据集，包含玉米、大豆的完整植株图像，需满足可清晰标注作物器官的分辨率要求，包括玉米、大豆的根、茎、叶、果；②分器官病灶数据集，包含玉米、大豆根、茎、叶、果分器官的多发病害病灶特征图像，需满足标注分器官病灶发病特征的要求。

[0106] (2)构建病害信息数据库：根据玉米、大豆的植物病理及农艺相关知识经验，分别构建玉米、大豆两种作物常发病害的背景特征本底数据库，包括玉米及大豆的主要发病类型、病害易侵染器官、病害易发的特定背景月份、易发环境条件等本底信息。

[0107] (3)搭建识别算法模型：首先，使用labelme等标注工具对(1)中所述数据集进行特征标注。根据玉米、大豆不同的表型性状、不同的视觉表现等，对数据集①进行作物种类及器官的数据标注；根据病害特有的视觉表现特征，如病灶的形状、颜色、明暗、深浅等，对数据集②进行分器官病灶的数据标注；然后，利用faster rcnn卷积神经网络，结合目标检测技术，实现对所述(1)中玉米、大豆作物种类及器官、分器官病灶的算法识别，形成用以识别玉米、大豆的作物种类与器官识别算法模型及分器官病灶识别算法模型。

[0108] (4)本发明通过定义四级结构化分类定位的方法来进行玉米、大豆两种作物的病害识别。所谓结构化分类，是根据病害隶属关系，层层定位，锁定病害范围，确定病害种类。即通过手机等地面采集设备获得需识别的玉米、大豆病害图像信息后，利用目标检测技术搭载相关算法识别模型，依次获取作物的类别、病灶发生的作物器官，根据病害病灶特有的特征，进一步定位病害范围，最后利用地面传感器、气象站，结合病害图像采集时间，获取当前病害所发生的背景月份、环境条件等，结合(2)的病害信息数据库获得玉米、大豆的当下常发病害范围，与算法模型识别的结果相比对，分四步确定具体病害。

[0109] 请参阅图1，四级结构化分类定位病害识别，具体实施步骤是：

[0110] a.采集图像，利用手机等地面图像采集设备采集发病玉米或大豆的两张待识别图像，图像1包含发病玉米或大豆的完整植株，图像2包含图像1发病作物的具体发病病灶特征；

[0111] b.将待识别图像1输入作物种类与器官识别算法模型，用目标检测技术，标定待识别病害的作物，确定发病作物种类是玉米还是大豆；

[0112] c.进一步用目标检测技术，在标定的植株上继续标定发病作物的发病器官，茎、叶、果，若地上器官无发病病灶，则需拔出，标定根部，通过作物种类与器官识别算法模型，最终确定病害发生的具体器官；

[0113] d.根据c的器官识别结果，将待识别图像2输入b所得作物类别的分器官病灶识别算法模型，定位病灶所属b中所得作物及c中所得器官的病害范围，输出具备相似特征的病灶病害；

[0114] e.结合图像采集时间，关联当前病害所发生的背景月份以及由传感器、气象站实时采集的环境条件等，与(2)的病害信息数据库作对比，输出匹配的作物病害类型；

[0115] f.e所得结果与d的结果作对比，输出共性的病害种类，最终确定病害，实现病害的精准识别。

[0116] 实施例二

[0117] 本实施例公开了一种作物病害精准识别系统。

[0118] 一种作物病害精准识别系统，包括：

[0119] 数据集构建模块，被配置为：采集作物常发病害的标准特征图像，建立不同作物不同器官的标准病灶特征图像数据集；

[0120] 背景特征数据库构建模块，被配置为：构建作物常发病害的背景特征数据库，包括病害主要侵染的植株器官、常发背景月份、易发环境条件；

[0121] 模型确定模块，被配置为：利用faster rcnn卷积神经网络，用目标检测技术，实现对标准病灶特征图像数据集中目标区域主要作物种类及器官、分器官病灶的算法识别，形成作物种类与器官识别算法模型及分器官病灶识别算法模型；

[0122] 模型识别模块，被配置为：获取待识别图像，基于作物种类与器官识别算法模型确定待识别图像中的发病作物种类和发病器官；基于发病器官，利用对应发病器官的分器官病灶识别算法模型确定待识别图像的病害范围，输出具备相似特征的病灶病害；

[0123] 关联匹配模块，被配置为：基于作物常发病害的背景特征数据库，关联背景特征数据库中的背景月份与图像采集时间、背景特征数据库中的环境条件以及图像采集环境条件，输出匹配的作物病害类型；

[0124] 共性病害求取模块，被配置为：求取模型识别模块中确定的病灶病害与关联匹配模块中确定的作物病害类型中共性的病害种类，实现病害的精准识别。

[0125] 实施例三

[0126] 本实施例的目的是提供计算机可读存储介质。

[0127] 计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的作物病害精准识别方法中的步骤。

[0128] 实施例四

[0129] 本实施例的目的是提供电子设备。

[0130] 电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的作物病害精准识别方法中的步骤。

[0131] 以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

[0132] 本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

[0133] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。