本实用新型涉及植物病害技术领域，具体为一种叶片扫描装置及病害识别系统。
背景技术：
植物叶片时植物进行光合作用合成有机物的重要器官，也是植物进行蒸腾的主要途径，研究植物叶片的各个参数对植物的生长发育、作物产量以及栽培管理等都具有十分重要的意义。叶片上的病害斑点是用于判断作物病害严重程度一项重要指标，叶片病害直接影响作物的产量和质量，因此获取叶片病害斑点信心，准确识别诊断叶片的病害情况，对植物作物产量和质量具有重要意义。
现有对植物叶片病害识别检测主要通过人工评测和仪器检测，人工检测主要是由专家对植物组织进行检查，评测植物叶片病害的严重程度，人工检测容易造成标准化程度不高、识别率低和效率低下等问题，而现有的仪器检测主要是从病害叶片图像中提取特征，然后利用不同分类器进行病害识别，但由于病害叶片图像的复杂多样，很难选择出对病害类型识别贡献大的有用特征，另外，现有的图像获取大多都是直接用相机拍摄叶片，这种获取方式很难准确获取叶片的病害特征，特别对于一些卷曲的叶片，需要检测人员人工展开后再拍摄，操作麻烦且容易破坏叶片。
技术实现要素：
(一)解决的技术问题
为解决以上问题，本实用新型提供了一种叶片扫描装置，该装置能平整叶片，并多方位获取叶片图像信息；本实用新型还提供一种包含上述叶片扫描装置的病害识别系统，通过构建一种病害网络模型对叶片诊断，提高叶片病害诊断的准确性和快速性。
(二)技术方案
为实现上述目的，本实用新型提供如下技术方案：一种叶片扫描装置，包括底座、第一立板、第二立板、承载板和承载盖；第一立板和第二立板竖直安装在底座上并平行间隔设置，第一立板上端设有往第二立板方向水平延伸的摄像座，摄像座下侧设有摄像头，摄像头与底座电性连接；承载板和承载盖均由透明材质制成，承载板一侧设有圆槽，承载盖以卡接方式盖合承载板圆槽开口，并在圆槽处与承载板形成容纳腔，容纳腔用于放置被测叶片，承载板架设在第一立板和第二立板之间，其两端分别与第一立板和第二立板转动连接。
优选地，还包括两个卡接件，两个卡接件分别与第一立板和第二立板转动连接，承载板两端对称设有两根转动柱，转动柱与卡接件固定连接。
优选地，第二立板上还设有步进电机，步进电机与第二立板上的卡接件驱动连接，步进电机与底座电性连接。
优选地，还包括无影灯和底座灯组，无影灯均布在摄像头四周，底座灯组安装在底座上端面边缘.无影灯和底座灯组均与底座电性连接。
一种病害识别系统，包括分析设备和上述的叶片扫描装置，分析设备包括数据集处理单元、病害网络模型和分类测试单元；数据集处理单元接收叶片扫描装置的叶片信息进行数据处理；病害网络模型接收数据集处理单元的叶片信息构建叶片病害类型网络模型；分类测试单元接收病害网络模型构建的叶片病害类型信息，并接收叶片扫描装置的被测试叶片图像信息，对比诊断出被测试叶片的病害类型。
(三)有益效果
与现有技术相比，本实用新型的有益效果是：该叶片扫描装置包括：底座、第一立板、第二立板、承载板和承载盖，选用透明玻璃制成的承载板和承载盖，承载盖盖合承载板并形成放置被测叶片的容纳腔，承载盖一侧圆台凸起可使被测叶片平整，便于采集叶片表面的病害信息，另外承载板以转动方式假设在第一立板和第二立板之间，使得放置在容纳腔内的被测叶片可多方位的被该叶片扫描装置采集叶片的病害信息。该病害识别系统，通过对叶片图像信息的整合处理，构建可深度学习的卷积神经网络实现对叶片病害的准确、快速诊断。
附图说明
附图用来提供对本实用新型的进一步理解，并且构成说明书的一部分，与本实用新型的实施例一起用于解释本实用新型，并不构成对本实用新型的限制,在附图中：
图1示出了本实用新型的实施例的叶片扫描装置结构示意图一；
图2示出了本实用新型的实施例的叶片扫描装置结构示意图二；
图3示出了本实用新型的实施例的叶片扫描装置的爆炸图；
图4示出了图1中的b-b局部剖视图；
图5示出了本实用新型的实施例的病害识别系统组成图；
图6示出了本实用新型的实施例的病害识别系统构建原理图；
图7示出了本实用新型的实施例的叶片病害诊断原理图；
图8示出了本实用新型的实施例的k折交叉验证法原理图。
图中：a分析设备、a1数据集处理单元、a2病害网络模型、a3分类测试单元、1底座、10底座灯组、2第一立板、20摄像座、3第二立板、4承载板、40容纳腔、41转动柱、5承载盖、6摄像头、7卡接件、8步进电机、9无影灯。
具体实施方式
下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
参阅附图1-4，一种叶片扫描装置，包括底座1、第一立板2、第二立板3、承载板4和承载盖5；其中，底座1内部设有存储器、电源和控制模块，用于驱动该装置各部分电子元件和连接外部设备，存储器、电源和控制模块为现有技术，在此不再赘述。第一立板2和第二立板3竖直安装在底座1上并平行间隔设置，第一立板2上端设有往第二立板3方向水平延伸的摄像座20，摄像座20下侧设有摄像头6，摄像头6与底座1电性连接；承载板4和承载盖5均由透明材质制成，承载板4一侧设有圆槽，承载盖5以卡接方式盖合承载板4开口，并在圆槽处与承载板4形成容纳腔40，容纳腔40用于放置被测叶片，具体的，承载盖5一侧圆台凸起，圆台凸起可闭合承载板4圆槽开口并形成容纳腔40，当需要获取一些卷曲的叶片图像信息时，可通过圆台凸起平整卷曲的叶片，在承载板4外壁还设有扣件，当承载盖5盖合承载板4圆槽开口后，可通过扣件扣紧承载盖5，另外，承载板4和承载盖5可采用透明亚克力板、透明玻璃等材料制成，在本实施例中优选采用透明玻璃，有利于摄像头6拍摄容纳腔40内的叶片，减少干扰杂质；承载板4架设在第一立板2和第二立板3之间，其两端分别与第一立板2和第二立板3转动连接，当容纳腔40放置好叶片后，可转动承载板4使得摄像头6分别透过承载板4和承载盖5拍摄容纳腔40内的叶片，实现多角度多方位获取叶片信息。
基于上述方案，测试人员需要获取叶片信息时，可将叶片放置承载板4圆槽处，然后用承载盖5盖合圆槽开口，转动承载板4至便于摄像头6拍摄的角度进行拍摄，最后拍摄好的叶片图像信息将储存到底座1内的存储器内，从而实现对叶片图像信息的获取。
优选地，该叶片扫描装置还包括两个卡接件7，两个卡接件7分别与第一立板2和第二立板3转动连接，承载板4两端对称设有两根转动柱41，转动柱41与卡接件7固定连接，便于承载板4的装卸和转动。
优选地，第二立板3上还设有步进电机8，步进电机8与第二立板3上的卡接件7驱动连接，步进电机8与底座1电性连接，具体的，底座1内的控制模块可控制步进电机8启动从而驱动卡接件7的转动，以带动承载板4转动。
为了避免摄像头6拍摄叶片时不受装置本身的阴影影响及为叶片创造不同背景和曝光度，该叶片扫描装置还包括无影灯9和底座灯组10，无影灯9均布在摄像头6四周，底座灯组10安装在底座1上侧边缘，无影灯9和底座灯组10均与底座1电性连接，底座1内的控制模块可控制无影灯9和底座灯组10的开启和关闭，并能控制底座灯组10的亮度，以改变叶片背景的曝光度。
参阅附图1、附图5和附图6，一种病害识别系统包括分析设备a和上述的叶片扫描装置；分析设备a包括数据集处理单元a1、病害网络模型a2和分类测试单元a3；数据集处理单元a1接收叶片扫描装置的叶片信息进行数据处理；病害网络模型a2接收数据集处理单元a1的叶片信息构建叶片病害类型网络模型；分类测试单元a3接收病害网络模型a2构建的叶片病害类型信息，并接收叶片扫描装置的被测试叶片图像信息，对比测试得出被测试叶片的病害类型。
本实施例的摄像头6以bm500ge/bb-500彩色数码相机摄像头采集叶片病害图像、分析设备a以戴尔inspiron3543为硬件平台、pycharm软件为软件平台、keras平台、xception模型和densenet模型为网络模型，具体的，需先通过叶片扫描装置采集叶片病害类型的图像信息，然后在分析设备a整合成数据集，并由数据集处理单元a1进行处理，接着讲处理好的数据集输入到keras平台通过xception模型和densenet模型构建以卷积神经网络为原型的病害网络模型a2，分类测试单元a3根据病害网络模型a2的叶片病害信息诊断被测试叶片的病害类型。
具体的，数据集处理单元a1包括数据集归一化处理和数据集分类，在本实施例中，选取苹果叶片作为研究对象，苹果叶片病害主要有落叶斑点病、褐斑病、花叶病、灰斑病和锈病，苹果叶片病害类型为现有技术，在此不再赘述；
叶片扫描装置首先采集苹果叶片病害的五种病害图像信息，传输到分析设备a的数据集处理单元a1进行数据集归一化处理，具体的，数据集归一化处理主要包括数据扩充和数据向量化，其中，数据扩充主要从方向干扰、光照干扰、噪声干扰等方面进行数量增强与扩充，从而为病害网络模型a2的构建提供足够的数据，提高分类测试单元a3的病害特征识别率，而数据向量化则为了便于将数据集输入到pycharm软件内进行病害网络模型a2构建。
具体的，方向干扰主要利用旋转变换和镜像对称来扩充叶片图像数据集，具体的，当所有像素围绕图像中心旋转一定角度时，就会发生图像旋转，架设p0(x0，y0)是图像的任意点，在逆时针方向旋转θ后，点的坐标为p(x，y)，两点的坐标计算方程(1)和(2)：
而水平镜像对称以图像中的一条垂直线为轴，交换图像的所有像素。架设w0表示宽度，以及任意点的坐标i(x0，y0)；镜像后点的坐标是(w0-x0，y0)。
光照干扰主要是模仿不同光背景，通过调整叶片图像的清晰度、亮度和对比度，生成多幅图像；具体的，图像清晰度主要通过图像锐化来增强图像的边缘和边界，使物体从图像中浮现出来。假设一个rgb图像像素c(x，y)＝[r(x，y)，g(x，y)，b(x，y)]t，通过方程(3)得出拉普拉斯算子
为了改变图像亮度，需要对像素的rgb值进行随机的增减。假设v0表示原始rgb值，v为调整后的值，d表示亮度转换因子，公式如下：
v＝v0×(1 d)(4)
对于图像的对比度，根据亮度的中位数，增大rgb值或减小rgb值，公式如下：
v＝i (v-i)×(1 d)(5)
噪声干扰方面可通过叶片扫描装置的无影灯9和底座灯组10的亮度来造成不同的噪声，并在数据集处理单元a2生产随机数，最后将随机数添加到图像的原始rgb中，且rgb范围为[0，255]。
为了扩展数据集和图像数据降维向量化，在本实施例中引用pca主成分分析对图像进行降维处理。对于每个rgb图像像素
[p1，p2，p3][α1λ1，α2λ2，α3λ3]t(6)
其中pi和λi分别是rgb像素值的3×3协方差矩阵的特征向量和特征值，αi是随机变量。
叶片的多种病害图像信息通过数据集处理单元a1的数据集归一化处理后形成一个图像数据库，接着对形成的图像数据库进行分类，分成训练集和测试集，训练集主要用于病害网络模型a2的分析学习，通过训练集的相关参数的调整和结构的改变，找到合适的学习率、步长、卷积核等参数，形成高识别率的分类测试单元a3。具体的，数据集的划分可选用留出数据简单验证、k折交叉验证和留一法等验证方法，在本实施例中，选用k折交叉验证进行划分，参阅附图8，取每一块数据集的20％作为测试集，其余为训练集。
叶片图像数据集处理完之后测试人员在pycharm软件上通过xception模型和densenet模型的相互融合来构建卷积神经网络即病害网络模型a2，以此保证训练效果，提高分类测试单元a3的识别率。
具体的，卷积神经网络主要包括卷积层、最大池化层和激活函数，并结合xception模型和densenet模型提高层层之间的联系，提高对叶片病害特征的识别率。卷积神经网络的构建如下：
每个卷积层的输出特征图是由当前层的特征映射和卷积核之间的卷积运算确定的，输出特征可用方程(7)实现：
其中，λ代表第λ层，kij表示卷积内核，bj是偏差，mj是输入特征图。
最大池层是非线性下采样的一种形式，它可以减小从卷积层得到的特征映射的大小，从而达到空间不变性，从而加快收敛速度，提高泛化性能。当特征值α传递到最大池化层，则最大池化运算将应用于特征值α，经过池化运算后s作为输出。如方程(8)所示，最大池化运算选择出影响最大的权值：
其中，rj表示池化层，j为特征图，αj表示每个元素的索引；s表示特征图合集。
relu激活函数决定了神经网络的数据处理方法，影响了神经网络模型的学习能力。relu激活函数具有较快的收敛速度，缓解了过拟合问题。可用于每个卷积层的输出。在方程(9)中给出了relu激活函数方程：
f(x)＝max(0，x)(9)
之后借助keras平台来融合xception模型和densenet模型来形成卷积神经网络即病害网络模型a2。具体的，xception使用多个不同尺寸的卷积核，提高对不同尺度特征的适应能力。pw卷积，降维或升维的同时，提高网络的表达能力。多个小尺寸卷积核替代大卷积核，加深网络的同时减少参数量。而densenet则是密集链接，每一层的输出都是下一层的输入。
接着进行卷积神经网络的训练，主要接收数据集处理单元a1的训练集进行训练，然后再与测试集进行验证，验证病害网络模型a2的叶片病害特征完善情况。卷积神经网络的训练过程包括前馈和反向传播两个阶段。在反向传播阶段，误差从较高层传递到较低层，采用随机梯度下降(sgd)方法对卷积神经网络的权值进行更新，并应用凸优化算法进行迭代计算，如公式(10-1)，(10-2)所示。
θi＝θi-1-di(10-2)
其中，di表示当前更新向量，di-1表示最后一个更新向量，θi是当前更新的参数，g(θ)代表θ目标函数的梯度，β是动量项，而且α表示学习率。
参阅附图7，在卷积神经网络通过训练集和测试集相互对应测试，并完善叶片病害特征信息之后，分类测试单元接收输入的五种苹果叶片病害特征信息，用于后面待测苹果叶片病害的诊断，具体的，将待测叶片放置叶片扫描装置的容纳腔40内，叶片扫描装置采集好该待测叶片的图像信息之后传输到分析设备a的数据集处理单元a1，数据集处理单元a1将对该待测叶片的图像进行降维处理，被降维后的待测叶片图像信息传输到分类测试单元a3内，分类测试单元a3通过待测叶片图像信息与病害网络模型a2内已有的叶片病害特征信息进行匹配，如果待测叶片图像信息与病害网络模型a2内的病害特征相匹配则得出该待测叶片的病害类，如果待测叶片图像信息与病害网络模型a2内的病害特征不匹配，该病害网络模型a2会记录该待测叶片图像信息并开始学习这个新的病害特征，由测试人员或专家对新的病害进行命名。
另外，需要注意的是，本实施例中所述摄像头6还可选用尼康、索尼等其他品牌的摄像头，所述的分析设备a还可以为联想、宏碁等其余品牌的高性能计算机；本实施例中分析设备a上所使用的软件平台还可以为jupyter等开发软件平台；本实施例中的keras平台、xception模型和densenet模型均为现有技术，在此不再赘述。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
尽管已经示出和描述了本实用新型的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本实用新型的范围由所附权利要求及其等同物限定。
1.一种叶片扫描装置，其特征在于，包括底座(1)、第一立板(2)、第二立板(3)、承载板(4)和承载盖(5)；
所述第一立板(2)和第二立板(3)竖直安装在底座(1)上并平行间隔设置，所述第一立板(2)上端设有往第二立板(3)方向水平延伸的摄像座(20)，所述摄像座(20)下侧设有摄像头(6)，所述摄像头(6)与底座(1)电性连接；
所述承载板(4)和承载盖(5)均由透明材质制成，所述承载板(4)一侧设有圆槽，所述承载盖(5)以卡接方式盖合承载板(4)圆槽开口，并在圆槽处与承载板(4)形成容纳腔(40)，所述容纳腔(40)用于放置被测叶片，所述承载板(4)架设在第一立板(2)和第二立板(3)之间，其两端分别与第一立板(2)和第二立板(3)转动连接。
2.根据权利要求1所述的一种叶片扫描装置，其特征在于，还包括两个卡接件(7)，所述两个卡接件(7)分别与第一立板(2)和第二立板(3)转动连接，所述承载板(4)两端对称设有两根转动柱(41)，所述转动柱(41)与卡接件(7)固定连接。
3.根据权利要求2所述的一种叶片扫描装置，其特征在于，所述第二立板(3)上还设有步进电机(8)，所述步进电机(8)与第二立板(3)上的卡接件(7)驱动连接，所述步进电机(8)与底座(1)电性连接。
4.根据权利要求1所述的一种叶片扫描装置，其特征在于，还包括无影灯(9)和底座灯组(10)，所述无影灯(9)均布在摄像头(6)四周，所述底座灯组(10)安装在底座(1)上端面边缘，所述无影灯(9)和底座灯组(10)均与底座(1)电性连接。
5.一种病害识别系统，其特征在于，包括分析设备(a)和如权利要求1-4任意一项所述的叶片扫描装置；
所述分析设备(a)包括数据集处理单元(a1)、病害网络模型(a2)和分类测试单元(a3)；
所述数据集处理单元(a1)用于接收叶片扫描装置的叶片信息进行数据处理；
所述病害网络模型(a2)用于接收数据集处理单元(a1)的叶片信息构建叶片病害网络模型；
所述分类测试单元(a3)用于接收病害网络模型(a2)构建的叶片病害类型信息，并接收叶片扫描装置的被测试叶片图像信息，对比诊断出被测试叶片的病害类型。
技术总结