基于高光谱图像的植物病情定量检测方法、装置及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于高光谱图像的植物病情定量检测方法、装置及系统。

背景技术：

1、有经济价值的植物(如花椒树、苹果树等)，在生长过程中，容易患上流行性植物病害(如锈病)，而病害会危害植物的生产。目前，单株植物的病害的发现，通常需要人员在植物生长田地的现场巡视才能发现。

2、例如，花椒锈病(coleosporium zanthoxyli diet.et syd)作为花椒叶部的主要病害，花椒幼苗和成株均会发病，常引起花椒叶片变色、坏死和提前脱落，导致椒树衰弱甚至死亡，严重影响花椒产量和品质，是花椒生产的主要限制之一。目前，花椒锈病的病株监测手段，主要为人工地面调查，费时费力，调查范围小，没法获取较大规模患病植株全貌。

3、使用深度学习算法，可以实现对同一图像中多个物体的同时检测和识别，在病害检测领域，通常的做法是根据病情指数划分健康、侵染或者健康，轻度侵染、重度侵染等少数几个类别，然后再基于深度学习或者机器学习进行定性分类识别，缺乏定量遥感研究。比如，目前，无法利用高光谱遥感图像对每棵植物进行病情检测。

技术实现思路

1、有鉴于此，本技术实施例的目的在于提供一种基于高光谱图像的植物病情定量检测方法、装置及系统，能够改善无法利用高光谱遥感图像对每棵植物进行定量病情检测的问题。

2、为实现上述技术目的，本技术采用的技术方案如下：

3、第一方面，本技术实施例提供了一种基于高光谱图像的植物病情定量检测方法，所述方法包括：

4、获取待测植物的高光谱图像，其中，所述高光谱图像为利用无人机航拍生长有所述待测植物的区域得到的图像；

5、利用经过训练的目标检测模型，从所述高光谱图像中提取单棵所述待测植物的图区，以作为待测图像；

6、将所述待测图像输入经过训练的定量回归模型，由所述定量回归模型对所述待测图像中的所述待测植物进行特征提取及病情指数的定量反演,得到所述待测植物的病害检测结果，其中，所述病害检测结果包括病害等级。

7、结合第一方面，在一些可选的实施方式中，在获取待测植物的高光谱图像之前，所述方法还包括：

8、利用搭载有高光谱成像仪的无人机，对生长有所述待测植物的区域进行遍历拍摄，得到初始图像集；

9、对所述初始图像集进行图像融合拼接，得到所述高光谱图像。

10、结合第一方面，在一些可选的实施方式中，在获取待测植物的高光谱图像之前，所述方法还包括：

11、获取第一样本图像集，其中，所述第一样本图像集包括拍摄与所述待测植物相同品种的植物得到的高光谱图像；

12、利用标注工具，采用矩形框对所述第一样本图像集中的每个样本图像中的目标植物标注对应的位置和种类，得到具有标注内容的第一数据集，其中，所述目标植物为与所述待测植物相同品种的植物；

13、将所述第一数据集按第一预设比例，划分为第一训练集、第一验证集和第一测试集；

14、分别通过所述第一训练集、所述第一验证集和所述第一测试集，对fast r-cnn模型进行训练、验证及测试，得到所述目标检测模型，其中，所述fast r-cnn模型包括roi池化层，所述roi池化层用于将任意大小的感兴趣区域映射成固定大小的特征图，在所述fastr-cnn模型训练期间，分类任务的损失函数为交叉熵损失，定位任务的损失函数为smoothl1，并采用adam优化器优化网络参数，当单个目标植物被多个预测框包围时，采用非极大值抑制算法选择置信度最高的预测框，所述分类任务包括将所述训练集中高光谱图像的感兴趣区域分类为目标类别或背景类别，所述定位任务包括计算推理感兴趣区域与标注感兴趣区域之间的偏移量。

15、结合第一方面，在一些可选的实施方式中，所述病情指数的计算方式为：

16、

17、式中，di为病情指数；i指单叶的严重度等级值；li指相同严重度等级值对应的病叶数；l为调查所述目标植物的总叶数。

18、结合第一方面，在一些可选的实施方式中，在获取待测植物的高光谱图像之前，所述方法还包括：

19、获取第二样本图像集，其中，所述第二样本图像集包括拍摄与所述待测植物相同品种的植物得到的高光谱图像；

20、利用标注工具，采用矩形框对所述第二样本图像集中的每个样本图像中的目标植物标注对应的病情指数，得到具有标注内容的第二数据集，其中，所述目标植物为与所述待测植物相同品种的植物；

21、对所述第二数据集进行数据增强处理；

22、将经过数据增强后的第二数据集按第二预设比例，划分为第二训练集、第二验证集和第二测试集；

23、分别通过所述第二训练集、所述第二验证集和所述第二测试集，对resnet模型进行训练、验证及测试，得到所述定量回归模型，在所述resnet模型训练期间，采用均方误差回归损失函数计算网络的误差，以及采用adam优化器优化网络参数。

24、结合第一方面，在一些可选的实施方式中，对所述第二数据集进行数据增强处理，包括：

25、对所述第二数据集中的部分或全部样本图像中标注的感兴趣区域进行预设数量像素点的干扰，得到新的感兴趣区域。

26、结合第一方面，在一些可选的实施方式中，所述方法还包括：

27、当所述病害检测结果中的病害等级超过预设等级时，在所述高光谱图像中对超过所述预设等级的所述待测植物进行高亮标记，并发出告警提示。

28、结合第一方面，在一些可选的实施方式中，所述待测植物包括花椒树、苹果树、梨树中的至少一种，所述病害的类型包括锈病，所述目标检测模型的骨干结构为resnet 50，所述目标检测模型的颈部结构为pafpn。

29、第二方面，本技术实施例还提供一种基于高光谱图像的植物病情定量检测装置，所述装置包括：

30、获取单元，用于获取待测植物的高光谱图像，其中，所述高光谱图像为利用无人机航拍生长有所述待测植物的区域得到的图像；

31、目标检测单元，用于利用经过训练的目标检测模型，从所述高光谱图像中提取单棵所述待测植物的图区，以作为待测图像；

32、分类单元，用于将所述待测图像输入经过训练的定量回归模型，由所述定量回归模型对所述待测图像中的所述待测植物进行特征提取及病情指数的定量反演,得到所述待测植物的病害检测结果，其中，所述病害检测结果包括病害等级。

33、第三方面，本技术实施例还提供一种检测系统，所述检测系统包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述检测系统执行上述的方法。

34、采用上述技术方案的发明，具有如下优点：

35、在本技术提供的技术方案中，由经过训练的目标检测模型和定量回归模型二者配合进行植物病情检测，其中，目标检测模型可以从高光谱图像中提取单棵待测植物的图区，以作为待测图像；定量回归模型对待测图像中的待测植物进行特征提取及病情指数的定量反演，得到待测植物的病害检测结果，病害检测结果包括病害等级。如此，可以从高光谱图像中准确检测单棵植物的病害等级，进而能够改善无法利用高光谱遥感图像对每棵植物进行病情检测的问题。