一种葡萄叶病害检测方法

技术领域

本发明涉及一种植物病害检测方法，尤其涉及一种葡萄叶病害检测方法，属于植物保护技术领域。

背景技术

黑腐病作为世界上最主要的葡萄病害之一，其病斑为黑色且病斑面积相对叶片较小，属于一种真菌病害。这种疾病主要出现在较为潮湿的春天和初夏季节，影响地区较为广泛。葡萄病害一般在叶片上表现明显，通过检测葡萄叶片可以诊断出所发生的病害。快速有效地进行葡萄黑腐病病害检测，保证葡萄产量并提高果农经济收入，是葡萄在种植过程中的一项热点研究。

目前对于葡萄叶片黑腐病的检测方法主要分两种：专家人工鉴定和自动检测法。早期的葡萄叶片病害，主要是依靠富有经验的葡萄叶片病害检测专家进行人工检测，这种专家人工鉴定的病害检测方式，费时费力且无法实现病害自动化检测与处理；自动检测法，通过检测算法前期对检测目标的训练，然后挑选出训练结束后的最佳模型进行系统封装，最后利用机器视觉与传感器进行病害自动检测，常用的方法有基于HOG、Faster RCNN、YOLOv3等。这些方法虽然能够实现自动检测，但是存在检测精度不高、检测时间长等问题。

综上所述，对葡萄叶片黑腐病进行自动检测的精度与时长是检测过程中的难点与重点。对此，发明一种检测精度高且用时少的检测算法是非常必要的。

发明内容

本发明要解决的技术问题是提供一种葡萄叶病害检测方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种葡萄叶病害检测方法，包括以下步骤：

步骤1：图像超分辨处理，利用双线性插值法将数据集中的葡萄叶片进行图像超分辨处理，分辨率增加至原图片的N倍，N>1；

步骤2：深度学习网络训练：将超分辨处理后的图像作为训练集输入深度学习网络，在损失函数的控制下训练网络参数；所述深度学习网络包括大卷积层Conv_1-Conv_6，特征输出层Predict1-Predict3、连接层Concatenate1-Concatenate2；大卷积层Conv_1-Conv_6依次级联，大卷积层Conv_6的输出分别连接特征输出层Predict1和连接层Concatenate1-Concatenate2，连接层Concatenate1-Concatenate2的输出分别连接特征输出层Predict2-Predict3的输入端；

所述大卷积层Conv_6包括SPP模块和结构相同的卷积组合模块1-卷积组合模块2，卷积组合模块1、SPP模块、卷积组合模块2依次级联；卷积组合模块1包括级联的卷积操作61-卷积操作63，卷积操作61的通道数为512，卷积核为1x1，卷积操作62的通道数为1024，卷积核为3x3，卷积操作63的通道数为512，卷积核为1x1；SPP模块包括池化层Maxpool1-池化层Maxpool3、连接层Concatenate3；池化层Maxpool1的尺寸为5x5，步长stride为1；池化层Maxpool2的尺寸为9x9，步长stride为1；池化层Maxpool3的尺寸为13x13，步长stride为1；

步骤3：病毒检测：将待检测葡萄叶图片输入步骤2训练好的深度学习网络，进行特征输出层Predict2-Predict3分别输出预测结果。

进一步，所述步骤2中的损失函数为：

式中IOU为检测目标区域Bounding box和实际目标区域Ground Truth框的交并比，A

更进一步，大卷积层Conv_1由卷积操作Conv11-卷积操作Conv12、、256x256残差Residual1、下采样层1组成；卷积操作11的通道数为32，卷积核为1x1；卷积操作12的通道数为64，卷积核为1x1；

大卷积层Conv_2由卷积操作Conv21-卷积操作Conv22、128x128残差Residual2、下采样层2依次执行两次组成；卷积操作21的通道数为64，卷积核为1x1；卷积操作22的通道数为128，卷积核为3x3；

大卷积层Conv_3由卷积操作Conv31-卷积操作Conv32、64x64残差Residual3、下采样层3依次执行八次组成；卷积操作31的通道数为128，卷积核为1x1；卷积操作32的通道数为256，卷积核为1x1；

大卷积层Conv_4由卷积操作Conv41-卷积操作Conv42、32x32残差Residual3、下采样层4依次执行八次组成；卷积操作31的通道数为256，卷积核为1x1；卷积操作42的通道数为512，卷积核为3x3；

大卷积层Conv_5由卷积操作Conv51-卷积操作Conv52、16x16残差Residual3依次执行四次组成；卷积操作51的通道数为512，卷积核为1x1；卷积操作52的通道数为1024，卷积核为1x1；

特征输出层Predict1由卷积操作Conv_p1和二维卷积操作Con2d卷积组成；

特征输出层Predict2包括上采样、特征融合、卷积操作组合Conv Set、卷积操作Conv、二维卷积Con2d；卷积操作组合Conv Set由依次级联的卷积操作Conv51-Conv55组成，卷积操作Conv51、Conv53、Conv55的卷积核为1x1，Conv52、Conv54卷积核为3x3；

特征输出层Predict3与特征输出层Predict2结构相同。

采用上述技术方案所产生的有益效果在于：

(1)本发明代替传统的人工肉眼检测葡萄叶片病害，提高葡萄叶片黑腐病检测速度与准确率，降低了人工成本以及检测周期。

(2)本发明改进了损失函数，可以避免两个目标框无重叠为0时的问题，使梯度可以持续更新，在训练中可以有更好的回归框；

(3)本发明对数据集进行超分辨率处理，提高了目标检测精度。

附图说明

图1是本发明的深度学习网络示意图；

图2是本发明的大卷积层Conv_1的结构图；

图3是本发明的大卷积层Conv_2的结构图；

图4是本发明的大卷积层Conv_3的结构图；

图5是本发明的大卷积层Conv_4的结构图；

图6是本发明的大卷积层Conv_5的结构图；

图7是本发明的大卷积层Conv_6的结构图；

图8是本发明的大卷积层Conv_6中SPP模块的结构图；

图9是本发明的特征输出层Predict1的结构图；

图10是本发明的特征输出层Predict2的结构图；

图11是本发明的特征输出层Predict2中卷积操作组合Conv Set的结构图；

图12是本发明实施例1的检测结果图。

具体实施方式

一种葡萄叶病害检测方法，包括以下步骤：

步骤1：图像超分辨处理，利用双线性插值法将数据集中的葡萄叶片进行图像超分辨处理，分辨率增加至原图片的N倍，N>1；

步骤2：深度学习网络训练：将超分辨处理后的图像作为训练集输入深度学习网络，在损失函数控制下训练网络参数；所述深度学习网络包括大卷积层Conv_1-Conv_6，特征输出层Predict1-Predict3、连接层Concatenate1-Concatenate2；大卷积层Conv_1-Conv_6依次级联，大卷积层Conv_6的输出分别连接特征输出层Predict1和连接层Concatenate1-Concatenate2，连接层Concatenate1-Concatenate2的输出分别连接特征输出层Predict2-Predict3的输入端；

所述大卷积层Conv_6包括SPP模块和结构相同的卷积组合模块1-卷积组合模块2，卷积组合模块1、SPP模块、卷积组合模块2依次级联；卷积组合模块1包括级联的卷积操作61-卷积操作63，卷积操作61的通道数为512，卷积核为1x1，卷积操作62的通道数为1024，卷积核为3x3，卷积操作63的通道数为512，卷积核为1x1；SPP模块包括池化层Maxpool1-池化层Maxpool3、连接层Concatenate3；池化层Maxpool1的尺寸为5x5，步长stride为1；池化层Maxpool2的尺寸为9x9，步长stride为1；池化层Maxpool3的尺寸为13x13，步长stride为1；

步骤3：病毒检测：将待检测葡萄叶图片输入步骤2训练好的深度学习网络，进行特征输出层Predict2-Predict3分别输出预测结果。

进一步，所述步骤2中的损失函数为：

式中IOU为检测目标区域Bounding box和实际目标区域Ground Truth框的交并比，A

更进一步，大卷积层Conv_1由卷积操作Conv11-卷积操作Conv12、、256x256残差Residual1、下采样层1组成；卷积操作11的通道数为32，卷积核为1x1；卷积操作12的通道数为64，卷积核为1x1；

大卷积层Conv_2由卷积操作Conv21-卷积操作Conv22、128x128残差Residual2、下采样层2依次执行两次组成；卷积操作21的通道数为64，卷积核为1x1；卷积操作22的通道数为128，卷积核为3x3；

大卷积层Conv_3由卷积操作Conv31-卷积操作Conv32、64x64残差Residual3、下采样层3依次执行八次组成；卷积操作31的通道数为128，卷积核为1x1；卷积操作32的通道数为256，卷积核为1x1；

大卷积层Conv_4由卷积操作Conv41-卷积操作Conv42、32x32残差Residual3、下采样层4依次执行八次组成；卷积操作31的通道数为256，卷积核为1x1；卷积操作42的通道数为512，卷积核为3x3；

大卷积层Conv_5由卷积操作Conv51-卷积操作Conv52、16x16残差Residual3依次执行四次组成；卷积操作51的通道数为512，卷积核为1x1；卷积操作52的通道数为1024，卷积核为1x1；

特征输出层Predict1由卷积操作Conv_p1和二维卷积操作Con2d卷积组成；

特征输出层Predict2包括上采样、特征融合、卷积操作组合Conv Set、卷积操作Conv、二维卷积Con2d；卷积操作组合Conv Set由依次级联的卷积操作Conv51-Conv55组成，卷积操作Conv51、Conv53、Conv55的卷积核为1x1，Conv52、Conv54卷积核为3x3；

特征输出层Predict3与特征输出层Predict2结构相同。

在本实施例中，输入图像为512*512，进行下采样得到输出为256*256*64的矩阵。进行Conv_1大卷积块操作，随后进行下采样得到输出为128*128*128的矩阵。再进行Conv_2大卷积块操作，连续执行大卷积块两次，随后进行下采样得到输出为64*64*256的矩阵。接着依次进行Conv_3和Conv_4的大卷积块操作，同样每个大卷积块连续执行八次，随后依次进行两次下采样得到输出为16*16*1024的矩阵。最后进行Conv_5的大卷积块操作，随后进行Conv_6大卷积块操作。Conv_6大卷积块中，经过三次不同尺度的最大池化再拼接后，输出第一个检测头为16*16*18的矩阵即Predict 1。经过Conv_6大卷积块中SPP操作后，进行特征图的第一次融合，将16*16*512进行卷积与上采样变为32*32*256的矩阵。随之与Conv_4大卷积块的输出32*32*512合并为32*32*768的矩阵，最后进行Conv Set等操作，输出第二个检测头为32*32*18的矩阵即Predict 2。最后将进行第一次Conv Set操作后的32*32*256矩阵，进行卷积与上采样变为64*64*128的矩阵。随之与Conv_3大卷积块的输出64*64*256合并为64*64*384的矩阵，最后进行Conv Set等操作，输出第三个检测头为64*64*18的矩阵即Predict 3。