一种水稻病虫害图像识别方法及装置

技术领域

本发明涉及图像处理领域，尤其涉及一种水稻病虫害图像识别方法及装置。

背景技术

水稻是重要的粮食作物，病虫害是影响水稻的产量和质量的主要因素之一，因此对病虫害的防治是至关重要的，而防治的前提是检测到病虫害，对于病虫害的检测主要通过两种方式，一：人工检测，工作人员到水稻田进行水稻抽样检测或利用灯引诱害虫识别并统计结果，二：基于卷积神经网络模型对水稻图像进行特征提取，从而识别出病虫害区域。

以上技术方案存在如下技术缺陷：

(1)人工检测的方式，检测结果主观性强，过分依赖于工作人员的经验，导致水稻病虫害检测结果准确率低，且当水稻面积较大时，需要投入大量人力物力，检测成本高、耗时长、效率低；

(2)卷积神经网络模型对水稻图像进行特征提取时，是从收集到的海量水稻图像样本中进行特征提取，然而海量水稻图像样本中存在大量无关特征的信息，导致卷积神经网络模型的泛化能力差，从而影响水稻病虫害检测结果的准确性。

发明内容

本发明所要解决的技术问题是：本发明提供一种水稻病虫害图像识别方法及装置，以提高水稻病虫害检测结果的准确性。

为了解决上述技术问题，本发明采用的技术方案为：

第一方面，本发明提供一种水稻病虫害图像识别方法，包括：

获取水稻图像，对所述水稻图像进行图像预处理，生成灰度水稻图像；

通过BM3D算法对所述灰度水稻图像进行降噪，生成不含噪声的灰度水稻图像，并通过Otsu算法对所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像；

将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行分析，识别出所述水稻图像的病虫害区域，其中所述改进型YOLOv3网络模型是基于原YOLOv3网络模型中采用了多尺度融合的预测机制。

本发明的有益效果在于，获取水稻图像后对水稻图像进行图像预处理，生成灰度水稻图像，灰度水稻图像能减轻后续对水稻图像进行分析识别的计算量，提高识别速度，通过BM3D算法对灰度水稻图像进行降噪，消除噪声能保留水稻图像的细节，提升水稻图像的精确性，通过Otsu算法对降噪后的灰度水稻图像进行分割能降低错分率，从而使得输入改进型YOLOv3网络模型的水稻图像更加精准，且改进型YOLOv3网络模型基于原YOLOv3网络模型采用了多尺度融合的预测机制，能获取更多的图像语义信息，进一步提升水稻病虫害区域检测的准确性。

可选地，所述获取水稻图像，对所述水稻图像进行图像预处理，生成灰度水稻图像包括：

获取水稻图像，采集水稻图像数据集，对所述水稻图像数据集进行数据增强，生成数据增强后的水稻图像；

对所述数据增强后的水稻图像进行灰度化处理，生成灰度水稻图像。

根据上述描述可知，获取水稻图像后会对水稻图像的数据集进数据增强，即对数据集进行扩展，增加原水稻图像数据集的基数，实现了数据的多样性，并将数据增强后的水稻图像进行灰度化处理，即将彩色水稻图像转为灰度水稻图像，在保留原彩色水稻图像的语义信息和特征分布的同时减轻后续对水稻图像进行分析识别的计算量，从而提高了效率。

可选地，所述对所述水稻图像数据集进行数据增强包括：

选择部分水稻图像进行不同角度的随机旋转；

对所述部分水稻图像进行横向方向或纵向方向小于二十个像素的随机步长平移操作；

将所述平移操作后的部分水稻图像进行镜像翻转；

对所述镜像翻转后的部分水稻图像的亮度进行调整；

以原水稻图像扩大或缩小10％的比例对所述亮度调整后的部分水稻图像进行随机方向拉伸或者压缩。

根据上述描述可知，通过将一张水稻图像变为多张水稻图像进行旋转、平移、镜像翻转、亮度调整以及拉伸或压缩的操作，扩展数据集的基数，实现数据的多样性，从而实现对水稻图像数据集的数据增强。

可选地，所述生成灰度水稻图像包括：

通过分段式线性变换函数对所述灰度水稻图像进行灰度增强：

其中，g(x,y)表示分段式线性变换函数，f(x,y)表示原始灰度水稻图像函数，x,y分别表示灰度水稻图像的上下灰度范围，F

根据上述描述可知，通过分段式线性变换函数对灰度水稻图像进行灰度增强即通过分段式线性变换函数在原灰度水稻图像的灰度范围上执行线性变换并同时根据设定的灰度水稻图像灰度输入上限对灰度范围进行压缩，从而抑制灰度水稻图像的无用信息使得灰度水稻图像的语义信息和特征分布更加突出即水稻病虫害区域更加突出。

可选地，所述通过BM3D算法对所述灰度水稻图像进行降噪，生成不含噪声的灰度水稻图像包括：

通过BM3D算法在所述灰度水稻图像建立搜索框尺寸为4的窗口，实现对所述灰度水稻图像进行分块，生成大小相同但位置不同的灰度水稻图像块；

计算每个所述大小相同但位置不同的灰度水稻图像块的距离：

其中，D表示两个大小相同但位置不同的灰度水稻图像块的距离，Z

当所述大小相同但位置不同的灰度水稻图像块的距离小于阈值时，判断所述大小相同但位置不同的灰度水稻图像块为相似图像块，将所述相似图像块归纳为同一集合，并将所述同一集合中的相似图像块根据所述灰度水稻图像块的距离进行排列，形成三维矩阵；

对所述三维矩阵进行硬阈值收缩，得到每个所述三维矩阵中灰度水稻图像块的估计值：

其中R

其中x为同一集合中灰度水稻图像块的对应矩阵数值，λ

根据所述估计值进行加权平均，得到基础估计值，生成基础估计后的灰度水稻图像；

其中，R

其中，N

通过BM3D算法对所述基础估计后的灰度水稻图像进行最终估计，生成不含噪声的灰度水稻图像。

根据上述描述可知，BM3D算法对灰度水稻图像进行降噪时，分两步进行，先对灰度水稻图像进行基础估计，生成基础估计后的灰度水稻图像后再在基础估计后的水稻图像基础上进行最终估计，从而实现对灰度水稻图像的降噪，并在对灰度水稻图像上建立搜索框对灰度水稻图像进行分块时，是建立搜索框尺寸为4的窗口，满足水稻图像本身尺寸小的情况，从而提高灰度水稻图像块的划分精度，从而避免出现当噪声过大或搜索框窗口尺寸不合适时，导致的强噪声下的降噪效果差的情况出现，并结合三维变换滤波的降噪方法一起降噪，提高了降噪的效果，从而生成不含噪声的灰度水稻图像。

可选地，所述通过BM3D算法对所述基础估计后的灰度水稻图像进行最终估计，生成不含噪声的灰度水稻图像包括：

通过BM3D算法在所述基础估计后的灰度水稻图像建立搜索框尺寸为4的窗口，实现对所述基础估计后的灰度水稻图像进行分块，生成大小相同但位置不同的灰度水稻图像块；

计算每个所述大小相同但位置不同的灰度水稻图像块的距离：

其中，D表示两个大小相同但位置不同的灰度水稻图像块的距离，Z

当所述大小相同但位置不同的灰度水稻图像块的距离小于阈值时，判断所述大小相同但位置不同的灰度水稻图像块为相似图像块，将所述相似图像块归纳为同一集合，并将所述同一集合中的相似图像块根据所述灰度水稻图像块的距离进行排列，形成基础估计的三维矩阵；

将所述基础估计的三维矩阵与所述三维矩阵进行加权平均，得到最终估计值，生成不含噪声的灰度水稻图像：

其中，R

其中，k

根据上述描述可知，在对基础估计后的灰度水稻图像进行最终估计时，以基础估计后的灰度水稻图像为原灰度水稻图像重新建立搜索框窗口进行灰度水稻图像分块，并将灰度水稻图像块的进行相似判断、集合归类形成三维矩阵后与基础估计时得到的三维矩阵进行维纳滤波，从而达到更佳的降噪效果，生成不含噪声的灰度水稻图像。

可选地，所述通过Otsu算法对所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像包括：

获取所述不含噪声的灰度水稻图像的灰度范围；

通过Otsu算法将所述灰度范围分为两个类别，分别计算所述两个类别的平均灰度，根据所述平均灰度计算Otsu阈值；

根据所述Otsu阈值将所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像。

根据上述描述可知，通过Otsu算法计算按灰度范围分类后的灰度水稻图像的阈值，并根据阈值将灰度水稻图像进行分割，Otsu算法不仅计算方式简单，且不受亮度对比度的影响，不仅提高图像分割的速度且降低图像分割的错分率。

可选地，所述改进型YOLOv3网络模型是基于原YOLOv3网络模型中采用了多尺度融合的预测机制包括：

对原YOLOv3网络模型进行网络轻量化处理，生成轻量化YOLOv3网络模型；

在所述轻量化YOLOv3网络模型的骨干网络中的残差模块最后一个残差单元后加入CBAM注意力机制，生成注意力YOLOv3网络模型；

对所述注意力YOLOv3网络模型的预测框进行优化处理，生成新的预测框注意力YOLOv3网络模型；

对所述新的预测框注意力YOLOv3网络模型进行训练，生成改进型YOLOv3网络模型。

根据上述描述可知，改进型的YOLOv3网络模型对原YOLOv3网络模型进行了轻量化处理，使得网络的复杂性降低，进而提高网络模型的计算量与计算速率，且在YOLOv3网络模型的残差模块中加入了CBAM注意力机制，提升了对较小病斑和虫害的检测效果，并且对YOLOv3网络模型的预测框进行筛选处理，有利于提升对病虫害的识别效果。

可选地，所述将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行分析，识别出所述水稻图像的病虫害区域包括：

将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行特征提取，生成两个尺度的灰度水稻图像特征图；

将所述两个尺度的灰度水稻图像特征图输入加入注意力机制的残差模块得到两个单通道特征矩阵；

将所述两个单通道特征矩阵经过激活函数激活得到通道注意力模块的特征矩阵；

将所述通道注意力模块的特征矩阵和所述两个尺度的灰度水稻图像特征图进行element-wise计算，得到通道注意力模块的输出特征矩阵；

将所述通道注意力模块的输出特征矩阵通过K-means算法进行特征数据集聚类，得到聚类后的特征数据集：

其中，u

将所述聚类后的特征数据集输入损失函数进行计算得到检测结果：

其中，IOU表示预测框和真实框的交集和并集的比值，ρ

利用非极大抑制对所述检测结果进行融合，识别出所述水稻图像的病虫害区域。

根据上述描述可知，聚类后的特征数据会输入损失函数中进行计算，损失函数将框的横纵都考虑在其中，并且加入了a、v影响项，使得预测框更加符合真实框，从而提高对水稻图像病虫害区域框检测的敏感度，并通过非极大抑制对检测结果进行融合，从而获得最佳结果，使得识别出水稻图像的病虫害区域更加精确。

第二方面，提供一种水稻病虫害图像识别装置，所述水稻病虫害图像识别装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的一种水稻病虫害图像识别方法。

其中，第二方面所提供的一种水稻病虫害图像识别装置，所对应的技术效果参照第一方面所提供的一种水稻病虫害图像识别方法的相关描述。

附图说明

图1为本发明实施例所提供的一种水稻病虫害图像识别方法流程图；

图2为本发明实施例涉及的BM3D算法的流程示意图；

图3为本发明实施例涉及的原YOLOV3网络模型的流程示意图；

图4为本发明实施例涉及的改进型YOLOV3网络模型的流程示意图；

图5为本发明实施例涉及的CBAM注意机制结构示意图；

图6本发明实施例所提供的一种水稻病虫害图像识别装置的结构示意图。

【附图标记说明】

1：一种水稻病虫害图像识别装置；

2：处理器；

3：存储器。

具体实施方式

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例一

请参照图1至图5，本发明提供一种水稻病虫害图像识别方法，包括步骤：

S1、获取水稻图像，对所述水稻图像进行图像预处理，生成灰度水稻图像；

在本实施例中，获取水稻图像后，会对所获取的水稻图像进行图像预处理，使之生成灰度水稻图像。其中，步骤S1包括：

S11、获取水稻图像，采集水稻图像数据集，对所述水稻图像数据集进行数据增强，生成数据增强后的水稻图像；

在本实施例中，获取水稻图像后会采集水稻图像的数据集，并对水稻图像的数据集进数据增强，即对数据集进行扩展，增加原水稻图像数据集的基数，实现了数据的多样性，为后续训练改进型YOLOV3网络模型的泛化能力奠定基础。其中，在步骤S11中对所述水稻图像数据集进行数据增强包括：

S111、选择部分水稻图像进行不同角度的随机旋转；

S112、对所述部分水稻图像进行横向方向或纵向方向小于二十个像素的随机步长平移操作；

S113、将所述平移操作后的部分水稻图像进行镜像翻转；

S114、对所述镜像翻转后的部分水稻图像的亮度进行调整；

S115、以原水稻图像扩大或缩小10％的比例对所述亮度调整后的部分水稻图像进行随机方向拉伸或者压缩。

在本实施例中，通过将一张水稻图像变为多张水稻图像进行旋转、平移、镜像翻转、亮度调整以及拉伸或压缩的操作，扩展数据集的基数，实现数据的多样性，从而实现对水稻图像数据集的数据增强。

S12、对所述数据增强后的水稻图像进行灰度化处理，生成灰度水稻图像。

在本实施例中，会对数据增强后的水稻图像进行灰度化处理，即将彩色水稻图像转化为灰度水稻图像，彩色水稻图像每个像素都具有R、G、B三个分量，各分量值有255种，而进行灰度化处理所生成的灰度水稻图像是三个分量都相同的一种特殊的彩色图像，范围一般从0到255，最大值255为白色，最小值0为黑色，因此，大大降低了后续的计算量，从而提高了效率。其中在步骤S12中生成灰度水稻图像包括：

S121、通过分段式线性变换函数对所述灰度水稻图像进行灰度增强：

其中，g(x,y)表示分段式线性变换函数，f(x,y)表示原始灰度水稻图像函数，x,y分别表示灰度水稻图像的上下灰度范围，F

在本实施中，为了将灰度水稻病图像转化为可计算的二值图像，需要通过分段式线性变换函数对灰度水稻病图像进行三段式线性变换操作，即在原灰度水稻图像的灰度范围上执行线性变换将灰度水稻图像转化为可计算的二值图像，并根据设定的灰度水稻图像灰度输入上限对灰度范围进行压缩，实现灰度增强与线性拉伸，从而弥补处理过程造成的像素损失，并改善灰度水稻图像的清晰度，且抑制灰度水稻图像的无用信息，使得灰度水稻图像的语义信息和特征分布更加突出即水稻病虫害区域更加突出。

S2、通过BM3D算法对所述灰度水稻图像进行降噪，生成不含噪声的灰度水稻图像，并通过Otsu算法对所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像；

在本实施例中，如图2所示，通过BM3D算法对灰度水稻图像进行降噪，降低噪声使得灰度水稻图像的细节能够保留，提升灰度水稻图像的精确性，并通过Otsu算法对降噪后的灰度水稻图像进行分割能降低图像分割的错分率。其中，步骤S2中通过BM3D算法对所述灰度水稻图像进行降噪，生成不含噪声的灰度水稻图像包括：

S21、通过BM3D算法在所述灰度水稻图像建立搜索框尺寸为4的窗口，实现对所述灰度水稻图像进行分块，生成大小相同但位置不同的灰度水稻图像块；

在本实施例中，如图2所示，为了对灰度水稻图像进行分块，BM3D算法会在灰度水稻图像上建立搜索框窗口，原BM3D的搜索窗口尺寸为8，由于后续需要小波系数分解，所以搜索窗口尺寸一定为2的幂，又因为后续要识别水稻图像的病虫害区域，病虫害区域是水稻图像上的子图像，因此图像本身尺寸小，为了避免出现当噪声过大或搜索框窗口尺寸不合适时，导致的强噪声下的降噪效果出现明显变形、色斑、模糊化的情况，将原BM3D的搜索窗口尺寸改为[4,16]，搜索窗口尺寸在该范围内时，强弱噪声下降噪效果都是较好的，优选的，本发明将搜索框窗口尺寸定为4，从而提高灰度水稻图像块的划分精度保证降噪的效果。

S22、计算每个所述大小相同但位置不同的灰度水稻图像块的距离：

其中，D表示两个大小相同但位置不同的灰度水稻图像块的距离，Z

在本实施例中，如图2所示，通过步骤S21将灰度水稻图像进行分块后，需计算每个大小相同但位置不同的灰度水稻图像块的距离，在原BM3D算法的距离计算公式的基础上加入每个对应灰度水稻图像块的噪声分量进行计算，从而降低噪声对后续灰度水稻图像块进行匹配时的影响。

S23、当所述大小相同但位置不同的灰度水稻图像块的距离小于阈值时，判断所述大小相同但位置不同的灰度水稻图像块为相似图像块，将所述相似图像块归纳为同一集合，并将所述同一集合中的相似图像块根据所述灰度水稻图像块的距离进行排列，形成三维矩阵；

在本实施例中，如图2所示，通过设定阈值，将步骤S22计算出的各个大小相同但位置不同的灰度水稻图像块的距离与阈值比较，得出相似图像块，并将相似图像块归纳为同一集合后再根据各个灰度水稻图像块的距离进行排序，形成三维矩阵。

S24、对所述三维矩阵进行硬阈值收缩，得到每个所述三维矩阵中灰度水稻图像块的估计值：

其中R

其中x为同一集合中灰度水稻图像块的对应矩阵数值，λ

在本实施例中，需要对步骤S23生成的三维矩阵进行硬阈值收缩，使得每个灰度水稻图像块保留图像特征，同时对每个灰度水稻图像块进行降噪处理即结合三维变换滤波计算每个三维矩阵中灰度水稻图像块的估计值。

S25、根据所述估计值进行加权平均，得到基础估计值，生成基础估计后的灰度水稻图像；

其中，R

其中，N

在本实施例中，通过S25计算出的估计值还需要进行加权平均，由于在灰度水稻图像上建立搜索框窗口进行分块，使得可能出现某一像素点同时处于多块灰度水稻图像块中，因此对于重叠的部分需要进行加权平均计算该像素点的估计值，从而完成基础估计，生成基础估计后的灰度水稻图像。

S26、通过BM3D算法对所述基础估计后的灰度水稻图像进行最终估计，生成不含噪声的灰度水稻图像。

在本实施例中，如图2所示，BM3D算法对灰度水稻图像进行降噪时，分两步进行，先对灰度水稻图像进行基础估计，生成基础估计后的灰度水稻图像后再在基础估计后的水稻图像基础上进行最终估计，从而实现对灰度水稻图像的降噪。其中，在步骤S26中通过BM3D算法对所述基础估计后的灰度水稻图像进行最终估计，生成不含噪声的灰度水稻图像包括：

S261、通过BM3D算法在所述基础估计后的灰度水稻图像建立搜索框尺寸为4的窗口，实现对所述基础估计后的灰度水稻图像进行分块，生成大小相同但位置不同的灰度水稻图像块；

S262、计算每个所述大小相同但位置不同的灰度水稻图像块的距离：

其中，D表示两个大小相同但位置不同的灰度水稻图像块的距离，Z

S263、当所述大小相同但位置不同的灰度水稻图像块的距离小于阈值时，判断所述大小相同但位置不同的灰度水稻图像块为相似图像块，将所述相似图像块归纳为同一集合，并将所述同一集合中的相似图像块根据所述灰度水稻图像块的距离进行排列，形成基础估计的三维矩阵；

S264、将所述基础估计的三维矩阵与所述三维矩阵进行加权平均，得到最终估计值，生成不含噪声的灰度水稻图像：

其中，R

其中，k

在本实施例中，如图2所示，在对基础估计后的灰度水稻图像进行最终估计时，以基础估计后的灰度水稻图像为原灰度水稻图像重新执行步骤S21-S23的操作，即重新建立搜索框尺度为4的窗口对灰度水稻图像进行分块，并对灰度水稻图像块进行相似判断、集合归类形成三维矩阵，将所形成的三维矩阵与步骤S23基础估计得到的三维矩阵进行维纳滤波，从而达到更佳的降噪效果，生成不含噪声的灰度水稻图像。

在步骤S264生成不含噪声的灰度水稻图像之后，通过Otsu算法对所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像包括：

S2641、获取所述不含噪声的灰度水稻图像的灰度范围；

S2642、通过Otsu算法将所述灰度范围分为两个类别，分别计算所述两个类别的平均灰度，根据所述平均灰度计算Otsu阈值；

S2643、根据所述Otsu阈值将所述不含噪声的灰度水稻图像进行分割，生成已分割的灰度水稻图像。

在本实施例中，是通过Otsu算法对不含噪声的灰度水稻图像进行分割，Otsu算法的原理是通过灰度特性将图像分割为前后景图，因此需要获取不含噪声水稻图像的灰度范围，基于已获取的灰度范围，Otsu算法算法会将灰度范围分为两个类别，并分别计算两个类别各自出现的概率与平均灰度，从而计算阈值进行图像分割。

在一个具体的实施例中，不含噪声的灰度水稻图像的灰度范围为[0，L-1]，Otsu算法将其分为C

P

其中，P

其中，u

根据计算出的类别之间的方差取最大值得出Otsu阈值，并根据阈值将灰度水稻图像进行分割。

T＝argmax(δ)

S3、将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行分析，识别出所述水稻图像的病虫害区域，其中所述改进型YOLOv3网络模型是基于原YOLOv3网络模型采用了多尺度融合的预测机制。

在本实施例中，如图4所示，将步骤S2643分割出的灰度水稻图像，输入基于原YOLOv3网络模型中采用多尺度融合的预测机制的改进型YOLOv3网络模型中进行分析，识别出水稻图像的病虫害区域，其中步骤S3中的改进型YOLOv3网络模型是基于原YOLOv3网络模型采用了多尺度融合的预测机制包括：

(1)对原YOLOv3网络模型进行网络轻量化处理，生成轻量化YOLOv3网络模型；

在本实施例中，如图3所示为现有技术YOLOv3网络模型结构示意图，点划线框内的部分为YOLOv3网络模型的骨干(backbone)网络，即Darknet-53网络，在Darknet-53网络特征提取得到的三个尺度的特征图，三个尺度的特征图分别为13×13、26×26和52×52，由于13×13用于针对大尺度图像，而分割后的水稻图像为小尺度图像，考虑到水稻图像病虫害区域检测需求分析中的快速检测的需要，对网络进行轻量化处理，生成轻量化YOLOv3网络模型，如图4所示，只保留两个尺度的特征图像，即保留26×26和52×52尺度的特征图像，如此在两个尺度特征图像上进行预测，可以降低网络复杂性，将边界框的预测数降低到10140，减少了4.76％，提高了检测的速度，提高效率。

(2)在所述轻量化YOLOv3网络模型的骨干网络中的残差模块最后一个残差单元后加入CBAM(Convolutionalblockattentionmodule)注意力机制，生成注意力YOLOv3网络模型；

在本实施例中，如图4所示，在点划线框内的Darknet-53网络中的残差模块最后一个残差单元后加入CBAM注意力机制，并将通道注意力和空间注意力这两个注意力子模块按照通道后空间的方式串联起来，从而实现对输入YOLOv3网络模型的多通道特征矩阵中更有价值的通道分配更多的权重，从而提升对较小病斑和虫害的检测效果。

(3)对所述注意力YOLOv3网络模型的预测框进行优化处理，生成新的预测框注意力YOLOv3网络模型；

在本实施例中，原YOLOv3网络模型自带9组预测框，9组预测框为(10，13)，(16，30)，(33，23)，(30，61)，(62，45)，(59，119)，(116，90)，(156，198)，(373，326)，但在水稻图像病虫害区域的识别场景中，原预测框并不完全适应要识别检测的对象，为了更好的覆盖需识别的图像，取得更好的识别效果，对预测框进行了优化处理，优化后保留6组新的预测框，6组新的预测框为(42，23)，(56，32)，(68，45)，(73，59)，(90，72)和(126，107)。

(4)对所述新的预测框注意力YOLOv3网络模型进行训练，生成改进型YOLOv3网络模型。

在本实施例中，通过对新的预测框注意力YOLOv3网络模型不断训练，从而生成改进型YOLOv3网络模型，改进型的YOLOv3网络模型对于原YOLOv3网络模型是否具有更加的识别效果，可通过AP值与mAP值进行判断，AP值代表的是模型对某一个类别的识别能力，mAP值则为所有分类类别的平均精度的均值，是作为准确性衡量标准的综合指标之一，如下表所示：使用相同的数据集对四种检测算法进行训练，Faster RCNN算法、CenterNet算法、原YOLOv3网络模型算法以及改进型YOLOv3网络模型算法，如图五所示，FasterRCNN算法、CenterNet算法和原YOLOv3网络模型算法的检测时间分别为81.56ms、37.85ms和26.34ms，改进型YOLOv3网络模型算法的检测时间为8.13ms，与其他三种检测算法相比，改进型网络模型算法的检测时间最短，提高了对水稻病虫害区域识别的速率。

其中在步骤S3中将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行分析，识别出所述水稻图像的病虫害区域包括：

S31、将所述已分割的灰度水稻图像输入预先训练得到的改进型YOLOv3网络模型中进行特征提取，生成两个尺度的灰度水稻图像特征图；

S32、将所述两个尺度的灰度水稻图像特征图输入加入注意力机制的残差模块得到两个单通道特征矩阵；

S33、将所述两个单通道特征矩阵经过激活函数激活得到通道注意力模块的特征矩阵；

S34、将所述通道注意力模块的特征矩阵和所述两个尺度的灰度水稻图像特征图进行element-wise计算，得到通道注意力模块的输出特征矩阵；

S35、将所述通道注意力模块的输出特征矩阵通过K-means算法进行特征数据集聚类，得到聚类后的特征数据集：

其中，u

S36、将所述聚类后的特征数据集输入损失函数进行计算得到检测结果：

其中，IOU表示预测框和真实框的交集和并集的比值，ρ

S35、利用非极大抑制对所述检测结果进行融合，识别出所述水稻图像的病虫害区域。

在本实施例中，将分割好的灰度水稻图像输入改进型YOLOv3网络模型中进行特征提取，由于改进型YOLOv3网络模型对原YOLOv3网络模型进行网络轻量化处理因此会生成26×26和52×52两个尺度的灰度水稻图像特征图，并将两个尺度的灰度水稻图像特征图输入到已加入注意力机制的残差单元中得到两个单通道特征矩阵，将两个单通道特征矩阵分别送入一个共享神经网络，该共享神经网络会输出多个特征矩阵，先后对这些特征矩阵和特征图进行element-wise计算和Relu激活操作，使得通道注意力模块的输出特征矩阵的计算更加有效，保留更多的图像有效信息，并通过K-means算法进行特征数据集聚类且将聚类后的特征数据会输入损失函数中进行计算，并通过非极大抑制对检测结果进行融合，从而获得最佳结果，使得识别出水稻图像的病虫害区域更加精确。

实施例二

请参照图6，一种水稻病虫害图像识别装置1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现上述实施例一中的步骤。

由于本发明上述实施例所描述的系统/装置，为实施本发明上述实施例的方法所采用的系统/装置，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统/装置的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。

此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。