CN119417816A 一种基于视觉图像的柑橘黄龙病检测装置及检测方法 （四川省农业科学院植物保护研究所）

一种基于视觉图像的柑橘黄龙病检测装置本申请涉及一种基于视觉图像的柑橘黄龙对性的预处理及特征提取后组合成综合特征向精准捕捉因黄龙病引发的叶片从外观到生理代2获取待检测柑橘叶片的视觉图像，对所述待检测柑橘叶片的视觉图像进行第一预处对所述待检测柑橘叶片的预处理视觉图像进行视觉特征提取，获取所述待检测柑橘叶片的生物物理图像，对所述待检测柑橘对所述待检测柑橘叶片的预处理生物物理图像进行生物物理特征提取将所述待检测柑橘叶片的视觉特征向量和生物物理特征向量进行组将所述待检测柑橘叶片的综合特征向量输入至训练好的柑橘黄龙病对所述待检测柑橘叶片进行热成像图像采集，获取所述待检测柑橘叶对所述待检测柑橘叶片进行荧光图像采集，获取所述待检测柑橘叶对所述待检测柑橘叶片的原始热成像图像进行第三预处理，得到所述将所述待检测柑橘叶片的预处理热成像图像和预处理荧光图像作为所述待检测柑橘所述第三预处理为：将所述原始热成像图像转换为实际的温度数值所述第四预处理为：对所述原始荧光图像进行背景扣除处理根据所述待检测柑橘叶片的预处理热成像图像，计算所述黄龙病根据所述待检测柑橘叶片的预处理荧光图像，计算所述黄龙病柑橘的3将所述待检测柑橘叶片的热成像特征向量H和荧光特征向量I作为所述待检测柑橘叶对所述待检测柑橘叶片的预处理视觉图像进行颜色特征提取，对所述待检测柑橘叶片的预处理视觉图像进行纹理特征提取，对所述待检测柑橘叶片的预处理视觉图像进行形状特征提取，将所述检测柑橘的颜色特征向量、纹理特征向量和形状特征向量作为所将所述待检测柑橘叶片的所述热成像特征向量、所述荧光特征向量其中，C表示所述待检测柑橘叶片的颜色特征向量，B表示所输入层，维度与所述综合特征向量的维度匹配，用于接收所述第一批标准化层，连接于所述第一卷积层之后，对所述第第二批标准化层，连接于所述第二卷积层之后，对所述第第三批标准化层，连接于所述第三卷积层之后，对所述第4第一全连接层，将所述第三池化层输出的数据展平后连接，设置256个神经元，采用7.根据权利要求6所述的方法，其特征在于，所述对所述柑橘黄龙病检测模型进行训S1：获取健康柑橘叶片的视觉图像和生物物S2：基于所述健康柑橘叶片的视觉图像和生物物理其中，所述样本数据为健康样本的综合特征向量集Kh中的综合特征向量和患病样本的S45：根据所述网络参数的梯度，利用随机梯度下降优化算法结合动量项更新网络参5其中，所述准确率为正确分类的样本数占所述验证集样龙病检测模型的性能不再提升则提前停止训练，保存训练过程中性能最佳的所述模型参视觉图像获取模块，用于获取待检测柑橘叶片的视觉图像，对所述视觉特征提取模块，用于对所述待检测柑橘叶片的预处理视觉图像进行视觉特征提生物物理图像获取模块，用于获取所述待检测柑橘叶片的生物生物物理特征提取模块，用于对所述待检测柑橘叶片的预处理特征组合模块，用于将所述待检测柑橘叶片的视觉特征向黄龙病检测模块，用于将所述待检测柑橘叶片的综合特征向量9.一种计算机设备，包括存储器和处理器，所述存储器存被处理器执行时实现权利要求1至7中任一6检测方法没有考虑这些因素，因此现有的基于视觉图像的柑橘黄龙病检方法具有的局限进行黄龙病检测的方法成为柑橘种植领域亟待解决获取待检测柑橘叶片的视觉图像，对待检测柑橘叶片的视觉图像进行第一预处7视觉特征提取模块，用于对待检测柑橘叶片的预处理视觉图像进行视觉特征提述计算机程序被处理器执行时实现如第一方面中的一种基于视觉图像的柑橘黄龙病检测8[0016]参考图1，其出示了本申请提供的一种基于视觉图像的柑橘黄龙病检测方法的流形成能够全面描述待检测柑橘叶片视觉特点的视9换为通用的图像格式（如JPEG、PNG等方便后续利用通用的图像处理算法和软件进行操[0031]如果是近红外图像，可提取叶片在不同区域对近红外光合了从叶片外观视觉表现以及内部生物物理特性两方面所提取到的关键信息，能够更全得模型学习到综合特征向量与是否感染黄龙病之间的映[0038]当把待检测柑橘叶片的综合特征向量输入到这个已经训练好的柑橘黄龙病检测个表示感染可能性程度的概率值（如输出感染概率为0.8，表示有较高可能性感染了黄龙克服仅依赖视觉图像在检测果实未成熟时期柑橘叶片黄龙病时早期病变特征不明显的局显著提高柑橘黄龙病检测的准确性与早期诊断能力，有效助力柑橘种植产业及时防控病对待检测柑橘叶片进行热成像图像采集，获取待检测柑橘叶片的温度分布图像，将待检测柑橘叶片的预处理热成像图像和预处理荧光图像作为待检测柑橘叶片设备自身的精度限制、偶尔的故障（如探测器某个像素点异常敏感或失灵或者环境因素（如突然有一阵热风掠过叶片造成局部短暂温度波动、采集时周围有强电磁干扰影响温度测量准确性等可能会在图像中产生一些不符合叶片实际温度分布规律的异常温度点。通过设定合理的温度阈值范围（可以基于过往大量正常叶片热成像温度数据统计分析得出合理的上下限范围以及运用数据滤波、异常值检测算法（如基于统计学的3σ原则等识别并去除这些异常温度点数据，保证温度数值矩阵所反映的叶片温度分布是相对准确、可靠的。而形成背景荧光信号叠加在叶片的真实荧光信号上。通过采集不含叶片的空白对照区域图像中逐像素地减去对应的背景荧光强度值，从而实现背景扣除，得到只反映叶片自身荧号变化。要进一步去除因激发光在叶片内部以及周围复杂介质中散射而残留的微弱背景荧光信号。在不同区域的荧光信号差异不够明显，不利于直观地发现因黄龙病导致的荧光特征变化。龙病而出现荧光强度变化的区域能够更加清晰根据待检测柑橘叶片的预处理热成像图像，计算黄龙病柑橘的叶片的平均温度光强度分布的偏度组合成待检测柑橘叶片的荧光特征向量I；其中，I=[Favg,Fpeak,将待检测柑橘叶片的热成像特征向量H和荧光特征向量I作为待检测柑橘叶片的avg[0051]具体的，计算平均温度T：遍历预处理热成像图像中所有像素对应的温度数值avgavg（这些数值是在之前将原始热成像图像转换为温度数值矩阵后得到的将所有温度值相avg的不对称性。通过计算荧光强度数据的三阶中心矩与标准差三次方的比值来得到偏度[0059]热成像特征向量和荧光特征向量分别从热学和荧光特性两个不同但又相互关联[0060]在一种可选的实施例中，对待检测柑橘叶片的预处理视觉图像进行视觉特征提的颜色直方图。颜色直方图的计算方法可以是统计每个颜色通道中不同颜色值出现的频HS值为i和j的像素对在方向θ和位移距离d下出现的频;;;颜色特征向量C、纹理特征向量B和形状特征向量D分别从不同的视觉角度描述了量和形状特征向量进行组合，得到待检测柑橘叶片[0072]具体的，将这五个特征向量按照顺序组合成综合特征向量M，实现了从视觉外观信息，减少因单一特征判断不准确而导致的误判风险。在后续将综合特征向量输入训练好的柑橘黄龙病检测模型时，模型可以利用这些多方面的信息进行综合分析，从而更准确地第一全连接层，将第三池化层输出的数据展平后连接，设置256个神经元，采用平操作是将多维的池化层输出数据转换为一维向量，以便与全连接层的神经元进行连接。256个神经元可以对展平后的特征向量进行更全面的整合和非线性变换，进一步学习特征出样本属于健康和患病类别的概率。Softmax激活函数可以将第一全连接层输出的数值转其中，样本数据为健康样本的综合特征向量S45：根据网络参数的梯度，利用随机梯度下降优化算法结合动量项更新网络参[0093]同理，对于患病样本，构建患病样本的综合特征向量集Kd=[Md1,Md2,…,可以采用随机划分的方式将健康样本和患病样本的综合特征向量集划分为训练[0097]从训练集中按照设定的批大小随机抽取样本数据以及对应的真实类别标签。例取方式可以保证每个样本在训练过程中都有机会被选中，避免数据顺序对模型训练的影为64其中每一行表示一个样本属于健康和患病类别的概率。;;实患病样本的数量Nd，然后统计被模型正确分类为患病的样本数量Ncd，则召回率Recall=;[0108]其中Precision是精确率（精确率=正确分类为患病的样本数/模型预测为患病的样本中有90%是正确分类的则有：装置实施例中的具体限定可以参见上文中对于一种基于视觉图像的柑橘黄龙病检测方法[0117]视觉特征提取模块202，用于对待检测柑橘叶片的预处理视觉图像进行视觉特征柑橘叶片的生物物理图像进行第二预处理，得到待检测柑橘叶片的预处理生物物理图像；[0119]生物物理特征提取模块204，用于对待检测柑橘叶片的预处理生物物理图像进行[0120]特征组合模块205，用于将待检测柑橘叶片的视觉特征向量和生物物理特征向量[0121]黄龙病检测模块206，用于将待检测柑橘叶片的综合特征向量输入至训练好的柑[0129]生物物理特征整合单元，用于将待检测柑橘叶片的热成像特征向量H和荧光特征颜色特征提取单元，用于对待检测柑橘叶片的预处理视觉图像进行颜色特征提[0131]纹理特征提取单元，用于对待检测柑橘叶片的预处理视觉图像进行纹理特征提[0132]形状特征提取单元，用于对待检测柑橘叶片的预处理视觉图像进行形状特征提[0136]可选的，黄龙病检测模块206还包括检测模型构建单元2061和检测模型训练单元测模型构建单元2061用于利用卷积神经网络构建第一全连接层，将第三池化