(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210368186.0 (22)申请日 2022.03.22 (71)申请人 成都大学 地址 610106 四川省成 都市外东十陵镇 (72)发明人 蒲强　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 专利代理师 濮云杉 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/56(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06F 16/22(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的杂粮作物病虫害检测 方法 (57)摘要 本发明杂粮作物病虫害识别技术领域， 尤其 涉及一种基于深度学习的杂粮作物病虫害检测 方法， 步骤1： 建立病虫害项目数据库和正 常杂粮 作物的模型数据库； 步骤2： 基于摄像机获取待识 别的现场杂粮作物图像； 步骤3： 对获取的现场杂 粮作物图像进行预处理； 步骤4： 建立深度学习识 别模型； 步骤5： 通过深度学习识别模型对预处理 后的杂粮作物图像进行识别； 步骤6： 人机交互界 面显示识别结果。 本发明通过深度学习识别模型 进行计算分析， 得到杂粮作物的病虫害类型； 从 而有效的避免， 通过人工感官判断造成的容易受 情绪、 健康以及疲劳等因素影响的问题。 权利要求书2页 说明书5页 附图1页 CN 114724032 A 2022.07.08 CN 114724032 A 1.一种基于深度学习的杂粮作物病虫害检测方法， 其特 征在于， 包括以下步骤： 步骤1： 建立病虫害项目数据库和正常杂粮作物的模型数据库， 并在病虫害项目数据库 中建立数据库表， 数据库表中对应 每个病虫害名称建立对应的防治措施； 步骤2： 基于摄 像机获取待识别的现场杂粮作物图像； 步骤3： 对步骤2中获取的现场杂粮作物图像进行 预处理； 步骤4： 建立深度 学习识别模型， 建立好的深度 学习识别模型存储至储存器 中建立的储 存空间中； 步骤5： 调用储存器中储存的深度学习识别模型对预处理后的现场杂粮作物图像进行 识别， 得到识别结果； 步骤6： 根据识别结果判断出是否存在病虫害， 若存在， 则通过人机交互界面查询病虫 害项目数据库中对应的病虫害名称以及对应的防治措施， 并通过 人机交互界面进行显示。 2.根据权利要求1所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述步骤3包括以下步骤： 步骤3.1： 基于正常杂粮作物的模型 数据库确定现场杂粮作物图像中的杂粮作物种类； 步骤3.2基于确定的杂粮作物种类， 对步骤2中获取的现场杂粮作物图像 中的每一个像 素点进行模型隶属度计算， 并与正常杂粮作物的模型数据库进行对比， 得到颜色和纹理差 异； 步骤3.3： 对差异度图像使用自动阈值方法分割得到 差异区域； 步骤3.4： 对差异区域进行后处 理得到差异区域初始轮廓； 步骤3.5： 使用差异引导的活动 轮廓模型演化得到差异区域的精准轮廓和区域， 将差异 区域的精准轮廓和区域作为预处 理后的现场杂粮作物图像。 3.根据权利要求2所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述正常杂粮作 物的模型数据库储存有不同杂粮作 物的不同年龄所对应的形状、 颜色以及 轮廓所对应的杂粮作物图像。 4.根据权利要求3所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述病虫害项目数据库储存有不同杂粮作物的不同年龄所对应的形状、 颜色以及轮廓所对 应的杂粮作物图像。 5.根据权利要求4所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述步骤3.1包括以下步骤： 步骤3.11： 将步骤2中获取到的现场杂粮作物图像与正常杂粮作物的模型数据库中储 存的杂粮作物进行对比， 识别出现场杂粮作物图像的种类； 步骤3.12： 基于现场杂粮作物图像的形状、 颜色和轮廓确定杂粮作物的年龄 。 6.根据权利要求5所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述步骤3.2中在确定杂粮作物的种类和年龄后， 调用正常杂粮作物的模型数据库中相对 应的种类和年龄的杂粮作物作为对比对象。 7.根据权利要求1所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述步骤4包括以下步骤： 步骤4.1： 基于历史病虫害数据建立深度学习识别模型； 步骤4.2： 将历史病虫害数据分为训练集和 测试集；权　利　要　求　书 1/2 页 2 CN 114724032 A 2步骤4.3： 基于训练集对深度学习识别模型进行训练， 得到病虫害系数； 步骤4.4： 基于测试集和病虫害系数测试所述深度学习识别模型， 测试完成后， 完成深 度学习识别模型的建立。 8.根据权利要求7所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 所述步骤4.2中将训练集和 测试集按照7比3的比例进行划分。 9.根据权利要求7所述的一种基于深度 学习的杂粮作物病虫害检测方法， 其特征在于， 若步骤4.4中的测试结果不准确， 则调整深度学习识别模型的参数， 重复进行测试， 直到测 试结果准确为准。权　利　要　求　书 2/2 页 3 CN 114724032 A 3