【技術實現步驟摘要】
本專利技術涉及小麥病害監測，特別是涉及一種基于物聯網的小麥葉部病害監測方法。
技術介紹
1、隨著全球人口的不斷增長，糧食安全問題日益突出，尤其是小麥作為主要糧食作物之一，其產量和質量直接影響到人類的生存與發展。然而，小麥在生長過程中容易受到各種病害的侵襲，如小麥白粉病、銹病和葉枯病等，這些病害不僅降低了小麥的產量，還影響了其品質，給農業生產帶來了嚴重的經濟損失。
2、傳統的小麥病害監測方法主要依賴于人工巡查和經驗判斷，這種方法不僅耗時耗力，而且容易受到主觀因素的影響，導致病害的早期發現和及時處理困難。此外，隨著氣候變化和農業生產方式的轉變，病害的發生模式和傳播途徑也變得更加復雜，傳統的監測手段難以適應現代農業的需求。
技術實現思路
1、為解決上述問題，本專利技術實施例的目的在于提供一種基于物聯網的小麥葉部病害監測方法。
2、一種基于物聯網的小麥葉部病害監測方法，包括：
3、步驟1：使用物聯網攝像頭采集小麥葉部圖像；
4、步驟2：將所述小麥葉部圖像傳輸到上位機，在上位機中為每個小麥葉部圖像設定相應的病害類型標簽；
5、步驟3：對每個小麥葉部圖像進行光照平衡補償生成補償后的小麥葉部圖像；
6、步驟4：將補償后的小麥葉部圖像作為樣本輸入到神經網絡中進行訓練得到小麥病害監測模型；
7、步驟5：將目標小麥葉部圖像輸入到小麥病害監測模型中得到相應小麥的病害類型。
8、優選的，所述步驟3：對每個小麥葉
9、步驟3.1：將小麥葉部圖像轉換到hsv顏色空間，并提取出明度通道的圖像形成明度圖；
10、步驟3.2：從明度圖中提取出光照分量；
11、步驟3.3：對明度圖中的像素點進行自適應校正，形成校正后的明度圖；
12、步驟3.4：將校正后的明度圖和光照分量進行疊加形成補償后的小麥葉部圖像。
13、優選的，所述步驟3.2：從明度圖中提取出光照分量，包括：
14、步驟3.2.1：以明度圖中任意一點為中心取一個正方形導向窗口；
15、步驟3.2.2：使用高斯函數估算正方形導向窗口中的光照分量；
16、步驟3.2.3：滑動正方形導向窗口得到每個窗口下的光照分量，并對其進行加權得到明度圖的光照分量；其中，明度圖的光照分量計算公式為：
17、
18、其中，v_r(x,y)表示明度圖的光照分量，wk表示第k個正方形導向窗口的加權系數，n表示正方形導向窗口的個數，ii(x,y)表示正方形導向窗口內的圖像，表示卷積，g(x,y)表示高斯函數，σ表示高斯核的寬度。
19、優選的，所述步驟3.3：對明度圖中的像素點進行自適應校正，形成校正后的明度圖，包括：
20、步驟3.3.1：使用麻雀搜索算法搜索伽馬校正函數的校正參數對明度圖中的像素點進行校正得到初步校正后的明度圖；其中，伽馬校正函數為：
21、
22、其中，φ表示校正參數，γ表示增強系數，m表示明度圖中的像素均值，h表示明度圖中的像素點，o(h)表示初步校正后的明度圖；
23、步驟3.3.2：使用適應度函數評估初步校正后明度圖的適應性，當適應性小于預設值時，輸出校正后的明度圖。
24、優選的，所述步驟4：將補償后的小麥葉部圖像作為樣本輸入到神經網絡中進行訓練得到小麥病害監測模型，包括：
25、步驟4.1：將補償后的小麥葉部圖像輸入到特征增強網絡中提取出增強特征；其中，特征增強網絡包括卷積層和特征增強提取層，所述特征增強提取層用于對提取的特征依次進行深度卷積和逐點卷積；所述特征增強網絡用于將卷積層提取的特征和特征增強提取層提取的特征進行融合形成增強特征；
26、步驟4.2：將增強特征作為樣本輸入到yolov3網絡中進行訓練得到小麥病害監測模型。
27、優選的，在所述步驟4.1中，特征增強網絡的特征融合公式為：
28、
29、其中，f表示補償后的小麥葉部圖像，f100表示增強特征，conv1×1表示1x1卷積層，conv3×3表示3x3卷積層，conv1×3表示1x3卷積層，conv3×1表示3x1卷積層，dwconv3×3表示特征增強提取層，concat表示拼接操作。
30、優選的，所述步驟4.2：將增強特征作為樣本輸入到yolov3網絡中進行訓練得到小麥病害監測模型，包括：
31、使用多個不同類型的損失函數優化yolov3網絡直到多個不同類型損失函數的和位于預設范圍內，輸出小麥病害監測模型；其中，yolov3網絡的優化公式為：
32、
33、其中，λ1表示第一權值，λ2表示第二權值，λ3表示第三權值，lcla(o,c)表示分類損失函數，lcla(o,c)表示置信損失函數，lcla(o,c)表示定位損失函數，l(o,o,c,c,t,g)表示損失函數的和，oi表示預測邊界框i中是否真實存在小麥葉部，表示預測邊界框i內是否存在小麥葉部的概率，oij表示預測邊界框i中是否真實存在第j類病害類型的小麥，表示預測邊界框i內存在第j類病害類型小麥的概率，(xi,yi)表示真實邊界框的中心坐標，(ωi,hi)表示真實邊界框的寬度和高度，表示預測邊界框的中心坐標，表示預測邊界框的寬度和高度，pos表示邊界框的數量，cla表示小麥病害類型的數量。
34、本專利技術還公開了一種基于物聯網的小麥葉部病害監測系統，包括：
35、圖像采集模塊，用于使用物聯網攝像頭采集小麥葉部圖像；
36、病害類型標簽設定模塊，用于將所述小麥葉部圖像傳輸到上位機，在上位機中為每個小麥葉部圖像設定相應的病害類型標簽；
37、光照平衡模塊，用于對每個小麥葉部圖像進行光照平衡補償生成補償后的小麥葉部圖像；
38、訓練模塊，用于將補償后的小麥葉部圖像作為樣本輸入到神經網絡中進行訓練得到小麥病害監測模型；
39、病害類型檢測模塊，用于將目標小麥葉部圖像輸入到小麥病害監測模型中得到相應小麥的病害類型。
40、本專利技術還公開了一種電子設備，包括總線、收發器、存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述收發器、所述存儲器和所述處理器通過所述總線相連，其特征在于，所述計算機程序被所述處理器執行時實現上述的一種基于物聯網的小麥葉部病害監測方法中的步驟。
41、本專利技術還公開了一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現上述的一種基于物聯網的小麥葉部病害監測方法中的步驟。
42、根據本專利技術提供的具體實施例，本專利技術公開了以下技術效果：
43、本專利技術涉及一種基于物聯網的小麥葉部病害監測方法，與現有技術相比，本專利技術通過利用物聯網攝像頭自動采集小麥葉部本文檔來自技高網...
【技術保護點】
1.一種基于物聯網的小麥葉部病害監測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3：對每個小麥葉部圖像進行光照平衡補償生成補償后的小麥葉部圖像，包括：
3.根據權利要求2所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3.2：從明度圖中提取出光照分量，包括：
4.根據權利要求3所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3.3：對明度圖中的像素點進行自適應校正，形成校正后的明度圖，包括：
5.根據權利要求4所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟4：將補償后的小麥葉部圖像作為樣本輸入到神經網絡中進行訓練得到小麥病害監測模型，包括：
6.根據權利要求5所述一種基于物聯網的小麥葉部病害監測方法，其特征在于，在所述步驟4.1中，特征增強網絡的特征融合公式為：
7.根據權利要求6所述一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟4.2：將增強特征作為樣本輸入到YOLOv3網絡中進行訓
8.一種基于物聯網的小麥葉部病害監測系統，其特征在于，包括：
9.一種電子設備，包括總線、收發器、存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述收發器、所述存儲器和所述處理器通過所述總線相連，其特征在于，所述計算機程序被所述處理器執行時實現如權利要求1-7中任一項所述的一種基于物聯網的小麥葉部病害監測方法中的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-7中任一項所述的一種基于物聯網的小麥葉部病害監測方法中的步驟。
...【技術特征摘要】
1.一種基于物聯網的小麥葉部病害監測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3：對每個小麥葉部圖像進行光照平衡補償生成補償后的小麥葉部圖像，包括：
3.根據權利要求2所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3.2：從明度圖中提取出光照分量，包括：
4.根據權利要求3所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟3.3：對明度圖中的像素點進行自適應校正，形成校正后的明度圖，包括：
5.根據權利要求4所述的一種基于物聯網的小麥葉部病害監測方法，其特征在于，所述步驟4：將補償后的小麥葉部圖像作為樣本輸入到神經網絡中進行訓練得到小麥病害監測模型，包括：
6.根據權利要求5所述一種基于物聯網的小麥葉部病害監測方法，其特征在...
【專利技術屬性】
技術研發人員：史玉棣，宮玉玉，杜偉娜，葛恩琪，尹寶重，張瑞芳，傅曉藝，
申請(專利權)人：河北農業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。