技术摘要：
本申请涉及一种玉米病害病情分级方法、系统和计算机设备，方法包括：S1获取正常玉米叶片图像作和病害玉米叶片图像；S2搭建病害分类神经网络，采用迁移学习初始化卷积层和全连接层参数；S3搭建面积分割神经网络，采用迁移学习初始化前两层网络参数；S4将待检测叶片原图  全部
背景技术：
玉米是我国重要的粮食作物和饲料作物。近些年由于耕作栽培制度的改变、病原 菌品种的变异、植物保健措施不健全等造成玉米病害的危害程度逐年加重，种类也逐年増 多，常见的玉米叶片病害有：大斑病、小斑病、锈病、圆斑病、弯孢叶斑病、矮花叶病等。因此， 对玉米病害病情的分级识别对于玉米种植来说是至关重要的，特别是在早期诊断和预测预 警方面，通过智能化的手段对病害种类进行检测并对病情进行分级能够提高农民对病害的 认识以及采用相应的措施进行防治，提高农业生产。 在现有技术中，利用图像识别技术对作物的病害进行检测主要有以下两种方法： (1)基于高光谱成像的农作物病害分级诊断，该技术利用可见-近红外(400～ 1000nm)波段的病害作物光谱数据，研究作物病害的分级诊断模型。其存在以下不足：1.使 用范围局限。该技术所有拍摄的过程是在实验室进行，外部环境恒定，缺少在室外、大田、温 室等真实环境实验数据，无法保证方法的普适性，适应范围小；2.诊断采集的不是作物活株 数据，采集过程会对植株造成不可逆的损害；3.设备不易携带，高光谱仪设备需在实验室环 境才能使用，无法随身携带，降低了方法的灵活性和便捷性。 (2)基于安卓系统的作物叶部病害程度检测系统，该技术采用迭代式阈值法分割 叶片区域和背景区域；采用模糊C均值聚类算法提取病斑区域，计算病斑区域像素点个数与 整个叶片区域像素点个数的比值k；根据相关病害分级标准，判断黄瓜叶部病害的严重程 度，利用SQLite数据库技术，动态添加其它作物的病害分级标准和防控措施信息；将检测结 果及防控措施显示在手机屏幕上。其存在以下不足：1.拍摄时需提供单一的背景色，该技术 在采集图像时均使用白色为背景，该方式有算法分割背景区域，但不能适应真实环境下多 变的场景，大田环境中通常拍照都有大量的背景干扰色；2.阈值分割病斑效果不理想，阈值 分割属于机器视觉中常用的图像分割算法，通过RGB颜色通道阈值分割，该方式会将叶脉或 其他因素导致的非绿色部分计算为病斑，影响分割结果，降低检测准确度。
技术实现要素：
本发明的目的在于提供一种适应真实环境下拍摄的图片，且无需采摘玉米叶片， 自动对玉米常见的叶部病害病情进行分级的方法及系统，为玉米病害的分级识别，特别是 早期诊断和预测预警奠定基础。 为了实现以上目的，本发明提供了一种玉米病害病情分级方法，包括以下步骤： 步骤S1.获取正常玉米叶片图像，预处理后作为第一训练集；获取病害玉米叶片图 像，预处理后划分为第二训练集和测试集； 步骤S2.搭建基于CNN的玉米病害分类神经网络，采用迁移学习的方法初始化所述 4 CN 111553240 A 说　明　书 2/10 页 分类神经网络的卷积层和全连接层的参数，再完成整个网络的训练和测试； 步骤S3.搭建基于U-net的面积分割神经网络，采用迁移学习的方法初始化所述面 积分割神经网络前两层的网络参数，再完成整个网络的训练和测试； 步骤S4.采集待检测玉米叶片原图，将所述叶片原图输入训练好的玉米病害分类 神经网络，得到待检测玉米所患病害的分类信息；将所述叶片原图输入训练好的面积分割 神经网络，得到玉米病害区域和玉米叶片主体区域的mask二值图像，通过所述二值图像计 算玉米病害区域在叶片主体区域上的面积占比； 步骤S5.根据步骤S4得到的所述玉米所患病害的分类信息和所述玉米病害区域在 叶片主体区域上的面积占比信息，对待检测玉米所患病害病情进行分级。 进一步的，步骤S1所述获取正常玉米叶片图，预处理后作为第一训练集，包括以下 步骤： 步骤S101.对获取到的正常玉米叶片图像进行降噪、白平衡调节和/或图像均值化 的规一化改进； 步骤S102.通过曲线标注出图像中的玉米主体叶片区域； 步骤S103.将所有标注后的图像进行竖直旋转、水平翻转、亮度变化、对比度变化、 随机翻转和/或随机裁剪的形态变化以及改变图像颜色通道参数的参数变化，保存所有变 化结果作为第一训练集。 进一步的，步骤S1所述获取病害玉米叶片图像，预处理后划分为第二训练集和测 试集，包括以下步骤： 步骤S111.对获取到的病害玉米叶片图像进行降噪、白平衡调节和/或图像均值化 的规一化改进； 步骤S112.将经过所述规一化改进的图像划分为第二训练集和测试集； 步骤S113.通过曲线标注出所述第二训练集图像中的玉米主体叶片区域和病害区 域，并标注叶片所患病害的种类； 步骤S114.将第二训练集和测试集中的所有图像进行竖直旋转、水平翻转、亮度变 化、对比度变化、随机翻转和/或随机裁剪的形态变化以及改变图像颜色通道参数的参数变 化，保存所有变化结果。 进一步的，步骤S2包括以下步骤： 步骤S201.搭建包含卷积层、全连接层和分类层的玉米病害分类神经网络，并下载 ImageNet数据集； 步骤S202.将所述第一训练集和ImageNet数据集合并后输入所述玉米病害分类神 经网络进行训练得到源模型，用所述源模型卷积层和全连接层的网络参数初始化所述玉米 病害分类神经网络卷积层和全连接层的网络参数； 步骤S203.随机初始化所述玉米病害分类神经网络分类层的网络参数； 步骤S204.用所述第二训练集完成整个网络的训练； 步骤S205.用所述测试集测试训练后的所述玉米病害分类神经网络的分类正确率 是否达到预设要求。 进一步的，步骤S3包括以下步骤： 步骤S301.搭建基于U-net的面积分割神经网络，并下载ImageNet数据集； 5 CN 111553240 A 说　明　书 3/10 页 步骤S302.将所述第一训练集和ImageNet数据集合并后输入所述面积分割神经网 络进行训练得到源模型，用所述源模型的前两层网络参数初始化所述面积分割神经网络的 前两层网络参数； 步骤S303.随机初始化所述面积分割神经网络其他网络层参数； 步骤S304.用所述第二训练集完成整个网络的训练，根据网络目标函数的收敛情 况判定网络是否完成训练； 步骤S305.用所述测试集验证训练后的所述面积分割神经网络输出的玉米病害区 域和玉米叶片主体区域的mask二值图像误差值是否在预设的范围内。 进一步的，根据网络目标函数的收敛情况判定网络是否完成训练的方法是：使用 MIoU值来判定网络是否完成训练。 本发明还提供了一种玉米病害病情分级系统，包括玉米叶片图像获取模块、神经 网络训练模块、玉米病害分类模块、面积占比计算模块、玉米病害分级模块和信息输出模 块； 所述玉米叶片图像获取模块，设置为获取训练用玉米叶片图像和待检测的玉米叶 片图像原图； 所述神经网络训练模块，设置为引入迁移模型训练基于CNN的玉米病害分类神经 网络和基于U-net的面积分割神经网络； 所述玉米病害分类模块，设置为利用训练好的所述玉米病害分类神经网络对待检 测的玉米叶片所患病害进行分类； 所述面积占比计算模块，设置为利用训练好的所述面积分割神经网络输出待检测 的玉米叶片的病害区域和叶片主体区域的mask二值图像，根据所述二值图像计算病害区域 在叶片主体区域上的面积占比； 所述玉米病害分级模块，设置为利用病害分类信息和病害区域面积占比信息对待 检测玉米所患病害病情进行分级； 所述信息输出模块，设置为向使用者显示玉米病害分类信息和玉米病害病情分级 信息。 基于相同的技术构思，本发明还提供了一种计算机设备，包括存储器和处理器，所 述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述 处理器执行上述玉米病害病情分级方法的步骤。 与现有技术相比，本发明的有益效果是： 1、可适应多种真实环境下拍摄的实景图片，对自然条件下拍摄的不同像素的病害 图像都可进行识别和分级，具有较好的普适性和更强的可靠性。 2、无需采摘玉米叶片，避免对玉米植株造成不可逆的损害。 3、在样本有限的情况下即可完成模型的训练，不需要在短时间内获取大量的玉米 病害图像，降低了模型训练的难度和实验数据的获取成本。 4、实现方式灵活多样，不依赖专业化的采集设备，使用手机等便携设备获取的图 像即可完成对病害的分级。 5、更准确的分类和更精确的面积分割，本发明对玉米常见病害的分类正确率达到 90％以上，对玉米病害区域面积和玉米叶片主体区域面积的分割误差值在10％以内。 6 CN 111553240 A 说　明　书 4/10 页 附图说明 图1为本申请一个实施例中一种玉米病害病情分级方法的流程图； 图2为本申请一个实施例中获得第一训练集的流程图； 图3为本申请一个实施例中获得第二训练集和测试集的流程图； 图4为本申请一个实施例中获得玉米病害分类神经网络的流程图； 图5为本申请一个实施例中获得面积分割神经网络的流程图； 图6为本申请一个实施例中标定病害区域和主体叶片区域的示例图； 图7为本申请一个实施例中玉米病害分类神经网络的结构图； 图8为本申请一个实施例中面积分割神经网络的结构图； 图9为本申请一个实施例中面积分割神经网络的训练数据输入示例图； 图10为本申请一个实施例中面积分割神经网络输出的二值图像示例图； 图11为本申请一个实施例中一种玉米病害病情分级系统的结构图。