电子信息技术

本发明提供了一种基于机器视觉的花生果腐病病斑的鉴定方法，属于花生表型信息鉴定技术领域。包括：获取多个花生荚果图像，对其进行标注，得到多个掩膜图像，并对其进行数据集划分和图像增强处理；选择最优的花生荚果检测与分割模型，并对其进行模块集成处理及数据集训练，得到单个花生荚果图像及花生荚果面积；对单个花生荚果图像进行标注，并进行数据集划分和图像增强处理；选择最优的果腐病病斑分割模型，并对其进行优化及数据集训练，得到花生荚果病斑图像及病斑面积；通过计算病斑面积和花生荚果面积之间的比值，确定花生荚果上病斑面积的占比。本发明在节省成本的同时提高了工作效率，减少了主观因素带来的误差，进而加快了育种工作的进程。

提升花生病害检测效率 该方法通过高分辨率摄像头和深度学习算法，实现病斑的快速识别与分类，检测速度提升，显著降低漏检率，适用于大规模种植基地的病害筛查。

降低农药滥用风险 精准识别早期病斑可指导靶向施药，减少盲目喷洒，预计降低农药使用量30%-50%，助力绿色农业和食品安全。

推动智慧农业装备升级 该技术可集成至田间巡检机器人或无人机平台，实现花生田的实时病害监测，为精准农业提供关键技术支撑。

完善作物病害数据库 积累的病斑图像数据可为其他作物病害识别模型提供训练样本，促进农业AI技术的跨作物推广应用。

(1)本发明提供了一种基于机器视觉与深度学习相结合的针对花生荚果表型信息以及果腐病病斑占比的鉴定方法，解决了传统人工测量耗费人力物力等问题，在节省成本的同时提高了工作效率，减少了主观因素带来的误差。

(2)本发明利用深度学习的方法完成了对单个花生荚果表型信息的鉴定，建立了深度学习模型，具有快速准确的优点；同时育种工作人员能够根据这些表型信息筛选出优良的抗果腐病的花生品种，挖掘抗性基因。

(3)本发明使用深度学习算法对采集的花生荚果图像进行单个荚果和病斑分割，而且能够获取每个花生荚果的长宽和病果的病斑占比，省去了大量的人工；同时利用专用的设备采集的RGB图像来进行分析，保证了最终结果的准确性。