(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 202210514016.9 (22)申请日 2022.05.11 (71)申请人 安徽农业大 学 地址 230036 安徽省合肥市蜀山区长江西 路130号 (72)发明人 吴琪　吴云志　曾涛　乐毅　 张友华　余克健　胡楠　 (74)专利代理 机构 安徽合肥华信知识产权代理 有限公司 341 12 专利代理师 余成俊 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/74(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种适应雨天环境的农作物病虫害检测方 法 (57)摘要 本发明公开了一种适应雨天环境的农作物 病虫害检测方法， 包括以下步骤： 步骤1、 获取有 雨、 无雨、 农作物病虫害图像数据集； 步骤2、 对数 据集进行预处理； 步骤3、 利用有雨、 无雨图像数 据集对DCD ‑GAN模型进行训练； 步骤4、 将最优配 置参数下的DCD ‑GAN模型的输出连接YOLOX模型 的输入， 得到D ‑YOLOX模型； 步骤5、 利用农作物病 虫害图像数据集对D ‑YOLOX模型进行训练； 步骤 6、 通过最优配置参数下的D ‑YOLOX模型进行雨天 环境的农作物病虫害图像处理。 本发 明能够有效 避免因雨天拍摄的图像质量差， 雨水干扰对模型 性能产生影响。 权利要求书1页 说明书4页 附图3页 CN 114842300 A 2022.08.02 CN 114842300 A 1.一种适应雨天环境的农作物病虫害检测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取有雨、 无雨图像数据集， 以及 农作物病虫害图像数据集； 步骤2、 对步骤1得到的有雨、 无雨图像数据集以及农作物病虫害图像数据集中的数据 分别进行 预处理， 并对农作物病虫害图像数据集进行加雨处 理； 步骤3、 采用DCD ‑GAN模型， 利用步骤2预处理后的有雨、 无雨图像数据 集对DCD‑GAN模型 进行训练， 每次训练后通过计算DCD ‑GAN模型的损失函数对 所述DCD‑GAN模型的参数进 行学 习指导， 由此 得到DCD‑GAN模型的最优配置参数； 步骤4、 采用YOLOX模型， 将步骤3最优配置参数下的DCD ‑GAN模型的输出连接YOLOX模型 的输入， 由此 得到D‑YOLOX模型； 步骤5、 利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到的D ‑ YOLOX模型进行训练， 每次训练后计算D ‑YOLOX模型输出结果的误差， 并将误差反向传播至 D‑YOLOX模型的参数， 直至误差符合预期， 由此 得到D‑YOLOX模型的最优配置参数； 步骤6、 将待识别的雨天环境的农作物病虫害图像数据输入至步骤5得到的最优配置参 数下的D‑YOLOX模型， 通过D ‑YOLOX模型输出病虫害识别结果。 2.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法， 其特征在于， 步 骤2中， 对有雨、 无雨图像数据集中的数据进行 的预处理包括去除重复图像处理、 删除损坏 图像处理。 3.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法， 其特征在于， 步 骤2中， 对农作物病 虫害图像数据集中的数据进行的预处理包括： 首先去除重复图像、 删除 损坏图像和删除不匹配信息； 然后使用马赛克数据广增， 对图像随机剪裁出一部分作为新 的图像， 同时以设定的概率进行随机翻转， 并从若干种尺度中随机挑选一种以对数据进行 缩放。 4.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法， 其特征在于， 步 骤2中， 采用线性叠加模型将预 处理后的农作 物病虫害图像数据集， 与雨条纹图层进 行线性 叠加， 由此实现对农作物病虫害图像数据集进行加雨处 理。 5.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法， 其特征在于， 步 骤3中， 每次训练后计算的DCD ‑GAN模型的损失函数为对比损失函数、 颜色循环一致性损失 函数、 对抗损失函数、 频率损失函数之和。 6.根据权利要求1所述的一种适应雨天环境的农作物病虫害检测方法， 其特征在于， 步 骤4中， 所述YOLOX模型中Neck部分的特 征金字塔结构为循环特 征金字塔结构。权　利　要　求　书 1/1 页 2 CN 114842300 A 2一种适应雨天 环境的农作物病虫害检测方 法 技术领域 [0001]本发明涉及病虫害检测方法领域， 具体是一种适应雨天环境的农作物病虫害检测 方法。 背景技术 [0002]传统的小麦病虫害检测方法包括人工辨别和仪器识别， 存在成本高、 费时费力的 特点， 同时技术人员的缺乏和存在误判的风险也使得传统的人工的方法难以在现实中普 及。 为了满足科学研究和生产需要， 将计算机中的机器学习与农业中的病 虫害结合起来的 病虫害检测模型显得 尤为重要。 [0003]机器学习可以通过对需要分析的图像进行特征提取， 经过特定 的算法， 输出 图像 的情况。 在检测精度、 时间和成本上对比传统的方法具有巨大优势。 但传统的机器学习方式 对图像的质量有着很高的要求， 在复杂的雨 天环境下拍摄的图像通常会因雨 痕而导致能见 度不佳。 这些退化的图像通常会影响许多计算机视觉任务(比如图像识别、 检测、 分割和视 频检测)， 下雨的环境会严重影响检测结果。 因此建立一种在雨天的检测模型具有很大意 义。 发明内容 [0004]本发明的目的是提供一种适应雨天环境的农作物病虫害检测方法， 以解决现有技 术基于计算机视觉技术的病虫害检测方法存在的在雨 天环境下效果不佳、 检测速度差的问 题。 [0005]为了达到上述目的， 本发明所采用的技 术方案为： [0006]一种适应雨天环境的农作物病虫害检测方法， 包括以下步骤： [0007]步骤1、 获取有雨、 无雨图像数据集， 以及 农作物病虫害图像数据集； [0008]步骤2、 对步骤1得到 的有雨、 无雨图像数据集以及农作物病虫害图像数据集中的 数据分别进行 预处理， 并对农作物病虫害图像数据集进行加雨处 理； [0009]步骤3、 采用DCD ‑GAN模型， 利用步骤2预处理后的有雨、 无雨图像数据集对DCD ‑GAN 模型进行训练， 每次训练后通过计算D CD‑GAN模型的损失函数对所述DCD ‑GAN模型的参数进 行学习指导， 由此 得到DCD‑GAN模型的最优配置参数； [0010]步骤4、 采用YOLOX模型， 将步骤3最优配置参数下的DCD ‑GAN模型的输出连接YOLOX 模型的输入， 由此 得到D‑YOLOX模型； [0011]步骤5、 利用步骤2预处理及加雨处理后的农作物病虫害图像数据集对步骤4得到 的D‑YOLOX模型进行训练， 每次训练后计算D ‑YOLOX模型输出结果的误差， 并将误差反向传 播至D‑YOLOX模型的参数， 直至误差符合预期， 由此 得到D‑YOLOX模型的最优配置参数； [0012]步骤6、 将待识别的雨天环境的农作物病虫害图像数据输入至步骤5得到的最优配 置参数下的D‑YOLOX模型， 通过D ‑YOLOX模型输出病虫害识别结果。 [0013]进一步的步骤2中， 对有雨、 无雨图像数据集中的数据进行的预处理包括去除重复说　明　书 1/4 页 3 CN 114842300 A 3