CN110378305B - 茶叶病害识别方法、设备、存储介质及装置 - Google Patents
茶叶病害识别方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110378305B CN110378305B CN201910674456.9A CN201910674456A CN110378305B CN 110378305 B CN110378305 B CN 110378305B CN 201910674456 A CN201910674456 A CN 201910674456A CN 110378305 B CN110378305 B CN 110378305B
- Authority
- CN
- China
- Prior art keywords
- tea
- identification
- disease
- layer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种茶叶病害识别方法、设备、存储介质及装置，本发明对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
Description
技术领域
本发明涉及茶叶种植技术领域，尤其涉及一种茶叶病害识别方法、设备、存储介质及装置。
背景技术
茶叶病害种类繁多且不同阶段会在外观上表现出不同症状，目前的识别方式主要依靠茶家经验判断，主观性强。随着人工智能技术的发展，农业相关领域步入智能化模式，在农作物病害识别方面，基于深度学习的图像识别技术逐渐取代了手动设计特征提取算法的传统图像识别方法，但农作物图像识别准确度、容错率仍达不到应用级别的要求。
发明内容
本发明的主要目的在于提供一种茶叶病害识别方法、设备、存储介质及装置，旨在解决当前的农作物图像识别方法的准确率达不到要求的技术问题。
为实现上述目的，本发明提供一种茶叶病害识别方法，所述方法包括以下步骤：
对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
基于所述多个识别结果，确定所述待识别茶叶的病害类型。
优选地，所述获得待识别茶叶图片，并对所述待识别茶叶图片进行处理，获取多个目标识别图片，具体包括：
对所述待识别茶叶图片进行扩展处理，获得第一茶叶图片；
基于预设的尺寸对所述第一茶叶图片进行裁剪，获得多个目标识别图片。
优选地，所述对第一预设图像识别模型中的卷积层和归一层进行合并，获得目标图像识别模型之前，所述方法还包括：
获取若干茶叶病害图片和各茶叶病害图片的识别结果；
分别对所述茶叶病害图片进行扩展处理，获得多个茶叶病害样本图片；
获取初始神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练；
将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型。
优选地，所述获取初始神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练之前，所述方法还包括：
获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；
相应地，所述获取初始卷积神经网络模型，通过所述若干茶叶图像样本和所述识别结果对所述初始卷积神经网络模型进行训练，具体包括：
分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值；
将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型；
通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练；
相应地，所述将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型，具体包括：
将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型。
优选地，所述通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练，具体包括：
保留所述当前卷积神经网络模型中的卷积层和归一层的参数值；
通过所述若干茶叶图像样本和所述识别结果对所述当前神经网络中的分类层进行训练。
优选地，所述对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，具体包括：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设卷积神经网络模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
优选地，所述对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，具体包括：
对第一预设图像识别模型中的卷积层和归一层进行合并，获得当前卷积核的权重参数，对所述权重参数进行正则化处理，得到目标权重参数；
基于所述目标权重参数，得到所述目标图像识别模型。
此外，为实现上述目的，本发明还提供一种茶叶病害识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的茶叶病害识别程序，所述茶叶病害识别程序被所述处理器执行时实现如上文所述的茶叶病害识别方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有茶叶病害识别程序，所述茶叶病害识别程序被处理器执行时实现如上文所述茶叶病害识别方法的步骤。
此外，为实现上述目的，本发明还提供一种茶叶病害识别装置，所述茶叶病害识别装置包括：
合并模块，用于对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取模块，用于获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
识别模块，用于通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
确定模块，用于基于所述多个识别结果，确定所述待识别茶叶的病害类型。
在本发明中，对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明茶叶病害识别方法第一实施例的流程示意图；
图3为本发明MobileNetV2的深度可分离卷积结构简化示意图；
图4为本发明茶叶病害识别方法第二实施例的流程示意图；
图5为本发明茶叶病害识别方法第三实施例的流程示意图；
图6为本发明茶叶病害识别装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，所述设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解，图1中示出的结构并不构成对所述茶叶病害识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及茶叶病害识别程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述设备通过处理器1001调用存储器1005中存储的茶叶病害识别程序，并执行本发明实施例提供的茶叶病害识别方法。
所述设备通过处理器1001调用存储器1005中存储的茶叶病害识别程序，并执行以下操作：
对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
基于所述多个识别结果，确定所述待识别茶叶的病害类型。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
对所述待识别茶叶图片进行扩展处理，获得第一茶叶图片；
基于预设的尺寸对所述第一茶叶图片进行裁剪，获得多个目标识别图片。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
获取若干茶叶病害图片和各茶叶病害图片的识别结果；
分别对所述茶叶病害图片进行扩展处理，获得多个茶叶病害样本图片；
获取初始神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练；
将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；
分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值；
将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型；
通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练；
将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
保留所述当前卷积神经网络模型中的卷积层和归一层的参数值；
通过所述若干茶叶图像样本和所述识别结果对所述当前神经网络中的分类层进行训练。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设卷积神经网络模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
进一步地，处理器1001可以调用存储器1005中存储的茶叶病害识别程序，还执行以下操作：
对第一预设图像识别模型中的卷积层和归一层进行合并，获得当前卷积核的权重参数，对所述权重参数进行正则化处理，得到目标权重参数；
基于所述目标权重参数，得到所述目标图像识别模型。
在本实施例中，对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
基于上述硬件结构，提出本发明茶叶病害识别方法的实施例。
参照图2，图2为本发明茶叶病害识别方法第一实施例的流程示意图。
在第一实施例中，所述茶叶病害识别方法包括以下步骤：
步骤S10：对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型。
需要说明的是，2018年谷歌针对手机等移动端推出了MobileNetV2模型，该模型跟现有的几种同类网络模型相比，在数据集上分类性能最好，是当前最先进的轻量级网络，故发明选择MobileNetV2作为基本的网络结构，即本文明中涉及的神经网络模型均为MobileNetV2模型，后续不再进行强调说明。
MobileNetV2的深度可分离卷积结构可简化为如图3所示，其中，Conv代表卷积层，BN代表归一层。可以看出每个卷积操作后均接着归一操作，在训练深度网络模型时，归一层能够加快网络收敛，并且能够控制过拟合，因此一般放在卷积层之后。归一层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然归一层在训练时起到了积极作用，然而，当模型训练完成之后，进行预测时，往往是对一张图片进行预测，这时的归一层没有起到作用，这样一来网络在前向推断就时多了很多层的运算，影响了模型的性能，且占用了更多的内存或者显存空间。因此，通过合并归一层到卷积层可以加快模型预测时的前向推断速度，而且将模型移植到移动端之后，模型一般只进行前行推断，所以合并归一层是有实际应用意义的。
具体地，可通过以下步骤来实现归一层和卷积层的合并：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设卷积神经网络模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
为了使本方案更加容易理解，现结合卷积层的第一计算公式和归一层的第二计算公式对合并的过程进行具体的说明。
在卷积层中的第一计算公式为公式(1)：
Y＝ω*x+B 公式(1)
其中ω为卷积权重，B为卷积偏置，x为卷积层的输入变量，Y为卷积层的输出结果。
归一层中的计算公式(2)至公式(5)：
yi＝γxi+β 公式(5)
其中，m为归一层输入的变量数目，μ为归一层输入的所有变量的均值、δ2为归一层输入的所有变量的方差，γ、β这两个参数分别是缩放因子和偏移值，由训练时网络学习得到，ε是为了避免除数为0所使用的微小正数。
经公式推导，可得归一层和卷积层合并后，计算公式为公式(6)：
令
那么合并后，即在所述目标识别模型中，
ω的计算公式为ωmerged＝ω*α,
B的计算公式为Bmerged＝(B-μ)*α+β，
由此可见，在模型预测阶段，将BN层的参数合并到了卷积层，在网络前向推断时少了一层的运算，可以释放更多的内存和显存空间。
步骤S20：获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片。
可以理解的是，基于所述目标识别模型在对待识别茶叶图片的尺寸有一定的要求，而获取的待识别茶叶图片并不一定满足要求，因此，一般会对图片进行缩放至满足要求的尺寸，这样做会造成图片失真，从而影响识别结果。
本实施例中，会对待识别茶叶图片进行处理，从而获得多个目标识别图片，基于对多个目标识别图片的识别，确定待识别茶叶的病害类型。
具体地，可以对待识别茶叶图片进行扩展处理，获得第一茶叶图片，基于预设的尺寸对第一茶叶图片进行裁剪，从而获得多个目标识别图片。
步骤S30：通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果。
对多个目标识别图片进行识别，相应地，可以获得与各个目标识别图片对应的识别结果。
步骤S40：基于所述多个识别结果，确定所述待识别茶叶的病害类型。
可以理解的是，基于多个目标识别图片进行识别，识别的结果可以为同一个，也可以为多个。比如，预设的识别结果为1、2、3、4和5，其中1对应的病害类型为茶白星病，2对应的病害类型为茶饼病，3对应的病害类型为茶轮斑病，4对应的病害类型为茶炭疽病，5对应的病害类型为茶云纹叶枯病，所述目标识别图片的个数为5个，可能所有目标识别图片的识别结果都为1，也可能有4个目标识别图片的识别结果为3，1个目标识别图片的识别结果为1，在所有目标识别图片的识别结果都为1是，可以将所述待识别茶叶的病害类型确定为茶白星病，在有4个目标识别图片的识别结果为3，1个目标识别图片的识别结果为1的情况下，可以将所述待识别茶叶的病害类型确定为茶轮斑病，即根据出现次数最多的识别结果，确定待识别茶叶的病害类型。
可以理解的是，通过基于多个目标识别图片的识别结果确定的待识别茶叶的病害类型更加准确。
本实施例中，对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
参照图4，图4为本发明茶叶病害识别方法第二实施例的流程示意图，基于上述图2所示的实施例，提出本发明茶叶病害识别方法的第二实施例。
在第二实施例中，所述步骤S10之前，所述方法还包括：
步骤S01：获取若干茶叶病害图片和各茶叶病害图片的识别结果。
在具体实现时，可以通过网络引擎搜集茶叶病害图片，也可以到茶园进行实地拍摄，从而获得茶叶病害图片。
步骤S02：分别对所述茶叶病害图片进行扩展处理，获得多个茶叶病害样本图片。
需要说明的是，无论是实地拍摄，还是网络搜索，获取的茶叶病害图片都是有限的，可以进一步地，对获取的茶叶病害图片进行扩展处理，从而获得多个茶叶病害样本图片，在基于茶叶病害图片训练网络模型时，使用更多的训练数据，可以使训练的网络模型具有更好的性能，比如，提高网络模型的分类准确率，防止过拟合等。
具体地，所述扩展处理可以为图像翻转、图像旋转、图像随机裁剪及图像局部调整等，本实施例对具体的扩展处理操作不加以限制。
步骤S03：获取初始神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练。
具体实现时，可以获取初始神经网络模型，将茶叶病害样本图片作为初始网络模型的输入，将所述识别结果作为初始神经网络模型的目标输出，对所述初始神经网络模型进行训练，获取所述初始神经网络模型对茶叶病害图片的实际输出，基于所述目标输出与实际输出之间的误差，根据所述误差，对所述初始神经网络模型中的参数进行更新，直至目标输出与实际输出之间的误差在用户可接受范围内。
步骤S04：将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型。
本实施例中，对获取的茶叶病害图片进行扩展，从而获得多个茶叶病害样本图片，扩大了训练的数据集，从而使训练获得的第一预设图像识别模型具体更好的性能。
参照图5，图5为本发明茶叶病害识别方法第三实施例的流程示意图，基于上述图4所示的实施例，提出本发明茶叶病害识别方法的第三实施例。
在第三实施例中，所述步骤S03之前，所述方法还包括：
步骤S05：获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；
需要说明的是，本实施例中的植物病害样本图片来自PlantVillage植物病害数据集，其中包含了多种作物叶部病害图像，此数据集与所述茶叶病害样本图片有很大的相似性。
相应地，所述步骤S03，具体包括：
步骤S031：分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值。
步骤S032：将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型。
需要说明的是，MobileNetV2模型中分类层之前的网络层的作用是模拟人的大脑先对病害图片中的特征进行局部感知，将植物病害的各种特征提取出来后，再将其组合堆叠形成较高级的特征交输出给分类层，总的来说是，是一个特征提取的过程，可以将卷积层和归一层统称为特征提取层，分类层及之后网络层的作用是将特征提取层提取组合的特征进行分类。由于PlantVillage数据集中图像的特征与茶叶病害数据集中图像的特征在着很高的相关性，所以基于PlantVillage数据集训练得到的网络模型中的特征提取层参数，是可以应用到茶叶病害识别模型的特征提取层的。
具体地，将第二预设图像识别模型中的卷积层的第一参数值赋值到所述初始卷积神经网络模型的卷积层，将第二预设图像识别模型中的归一层的第二参数值赋值到所述初始卷积神经网络模型的归一层，即将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型。
步骤S033：通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练；
可以理解的是，赋值之后，再通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练时，能够加快训练速度。
在具体实现，还可以直接保留所述当前卷积神经网络模型中的卷积层和归一层的参数值，通过所述若干茶叶图像样本和所述识别结果对所述当前神经网络中的分类层进行训练。
相应地，所述步骤S04，具体包括：
步骤S041：将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型。
在具体实现时，所述步骤S10，还可以具体为：对第一预设图像识别模型中的卷积层和归一层进行全并，获得当前卷积核的权重参数，对所述权重参数进行正则化处理，得到目标权重参数，基于所述目标权重参数，得到所述目标图像识别模型。
可以理解的是，在模型的训练过程中，变量过多，训练数据过少，就会出现过拟合的问题，在解决过拟合问题时，可以选择性地舍弃一些变量，但这种做法的缺点是在舍弃一部分变量时，也就相应地舍弃了问题中的一些信息，为了使模型更加泛化，可以对模型中的变量进行正则化处理，即保留所有的变量，但会减小变量的数量级。
下面，将举例说明，对模型中的参数进行正则化处理的好处。
本实施例中，是对卷积核的权重参数进行正则化处理。
假设，有K(K＝5)个标签值，则第i个样本(xi,yi)预测为第k标签值的概率为pi,k，假设共有n个样本，则本实施例中数据集的交叉熵损失函数计算公式如公式(7)：
在随机梯度下降算法中，m为mini-batch的大小，η为学习率，更新模型参数ω由公式(8)可得：
对第一预设图像识别模型中卷积层的权重参数做L2正则化处理后，数据集的损失函数计算公式如公式(9)所示：
那么在随机梯度下降算法中，目标权重参数ω可由公式(10)获得：
其中λ就是正则化参数。从上式可以看到，与未添加L2正则化参数的迭代公式相比，每一次迭代，ω都要先乘以一个小于1的因子，从而使得ω不断减小，因此总得来看，ω是不断减小的，L2正则化会使网络泛化的更好，降低过拟合。
本实施例中，基于大量的植物病害样本图片对初始卷积神经网络模型进行训练，得到当前卷积神经网络模型，然后基于茶叶病害样本图片对当前卷积神经网络模型进行训练得到第一预设图像识别模型，在提高模型识别准确率的同时，提高了模型的训练速度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有茶叶病害识别程序，所述茶叶病害识别程序被处理器执行时实现如下操作：
对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
基于所述多个识别结果，确定所述待识别茶叶的病害类型。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
对所述待识别茶叶图片进行扩展处理，获得第一茶叶图片；
基于预设的尺寸对所述第一茶叶图片进行裁剪，获得多个目标识别图片。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
获取若干茶叶病害图片和各茶叶病害图片的识别结果；
分别对所述茶叶病害图片进行扩展处理，获得多个茶叶病害样本图片；
获取初始神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练；
将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；
分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值；
将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型；
通过所述若干茶叶图像样本和所述识别结果对所述当前卷积神经网络模型进行训练；
将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
保留所述当前卷积神经网络模型中的卷积层和归一层的参数值；
通过所述若干茶叶图像样本和所述识别结果对所述当前神经网络中的分类层进行训练。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设卷积神经网络模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
进一步地，所述茶叶病害识别程序被处理器执行时还实现如下操作：
对第一预设图像识别模型中的卷积层和归一层进行合并，获得当前卷积核的权重参数，对所述权重参数进行正则化处理，得到目标权重参数；
基于所述目标权重参数，得到所述目标图像识别模型。
在本实施例中，对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
参照图6，图6为本发明茶叶病害识别装置第一实施例的功能模块图，基于所述茶叶病害识别方法，提出本发明茶叶病害识别装置的第一实施例。
在本实施例中，所述茶叶病害识别装置包括：
合并模块10，用于对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型。
需要说明的是，2018年谷歌针对手机等移动端推出了MobileNetV2模型，该模型跟现有的几种同类网络模型相比，在数据集上分类性能最好，是当前最先进的轻量级网络，故发明选择MobileNetV2作为基本的网络结构，即本文明中涉及的神经网络模型均为MobileNetV2模型，后续不再进行强调说明。
MobileNetV2的深度可分离卷积结构可简化为如图3所示，其中，Conv代表卷积层，BN代表归一层。可以看出每个卷积操作后均接着归一操作，在训练深度网络模型时，归一层能够加快网络收敛，并且能够控制过拟合，因此一般放在卷积层之后。归一层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然归一层在训练时起到了积极作用，然而，当模型训练完成之后，进行预测时，往往是对一张图片进行预测，这时的归一层没有起到作用，这样一来网络在前向推断就时多了很多层的运算，影响了模型的性能，且占用了更多的内存或者显存空间。因此，通过合并归一层到卷积层可以加快模型预测时的前向推断速度，而且将模型移植到移动端之后，模型一般只进行前行推断，所以合并归一层是有实际应用意义的。
具体地，可通过以下步骤来实现归一层和卷积层的合并：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设卷积神经网络模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
为了使本方案更加容易理解，现结合卷积层的第一计算公式和归一层的第二计算公式对合并的过程进行具体的说明。
在卷积层中的第一计算公式为公式(1)：
Y＝ω*x+B 公式(1)
其中ω为卷积权重，B为卷积偏置，x为卷积层的输入变量，y为卷积层的输出结果。
归一层中的计算公式(2)至公式(5)：
yi＝γxi+β 公式(5)
其中m为归一层输入的变量数目，μ为归一层输入的所有变量的均值、δ2为归一层输入的所有变量的方差，γ、β这两个参数分别是缩放因子和偏移值，由训练时网络学习得到，ε是为了避免除数为0所使用的微小正数。
经公式推导，可得归一层和卷积层合并后，计算公式为公式(6)：
令
那么合并后，即在所述目标识别模型中，
ω的计算公式为ωmerged＝ω*α,
B的计算公式为Bmerged＝(B-μ)*α+β，
由此可见，在模型预测阶段，将归一层的参数合并到了卷积层，在网络前向推断时少了一层的运算，可以释放更多的内存和显存空间。
获取模块20，用于获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片。
可以理解的是，基于所述目标识别模型在对待识别茶叶图片的尺寸有一定的要求，而获取的待识别茶叶图片并不一定满足要求，因此，一般会对图片进行缩放至满足要求的尺寸，这样做会造成图片失真，从而影响识别结果。
本实施例中，会对待识别茶叶图片进行处理，从而获得多个目标识别图片，基于对多个目标识别图片的识别，确定待识别茶叶的病害类型。
具体地，可以对待识别茶叶图片进行扩展处理，获得第一茶叶图片，基于预设的尺寸对第一茶叶图片进行裁剪，从而获得多个目标识别图片。
识别模块30，用于通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果。
对多个目标识别图片进行识别，相应地，可以获得与各个目标识别图片对应的识别结果。
确定模块40，用于基于所述多个识别结果，确定所述待识别茶叶的病害类型。
可以理解的是，基于多个目标识别图片进行识别，识别的结果可以为同一个，也可以为多个。比如，预设的识别结果为1、2、3、4和5，其中1对应的病害类型为茶白星病，2对应的病害类型为茶饼病，3对应的病害类型为茶轮斑病，4对应的病害类型为茶炭疽病，5对应的病害类型为茶云纹叶枯病，
所述目标识别图片的个数为5个，可能所有目标识别图片的识别结果都为1，也可能有4个目标识别图片的识别结果为3，1个目标识别图片的识别结果为1，在所有目标识别图片的识别结果都为1是，可以将所述待识别茶叶的病害类型确定为茶白星病，在有4个目标识别图片的识别结果为3，1个目标识别图片的识别结果为1的情况下，可以将所述待识别茶叶的病害类型确定为茶轮斑病，即根据出现次数最多的识别结果，确定待识别茶叶的病害类型。
可以理解的是，通过基于多个目标识别图片的识别结果确定的待识别茶叶的病害类型更加准确。
本实施例中，对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片，通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果，基于所述多个识别结果，确定所述待识别茶叶的病害类型，本发明，通过对图像识别模型的结构进行优化，减少了单个图片的识别时间，提高了识别效率，同时基于图像识别模型来对待识别茶叶的病害类型进行确定，更加客观、智能，提高了茶叶病害识别的准确率。
可理解的是，所述茶叶病害识别装置中的各模块还用于实现上述方法中的各步骤，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
单词第一、第二、以及第三等的使用不表示任何顺序，可将这些单词解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端智能电视(可以是手机，计算机，服务器，空调器，或者网络智能电视等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种茶叶病害识别方法，其特征在于，所述方法包括以下步骤：
对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
基于所述多个识别结果，确定待识别茶叶的病害类型；
所述对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型之前，所述方法还包括：
获取若干茶叶病害图片和各茶叶病害图片的识别结果；
分别对所述茶叶病害图片进行扩展处理，获得若干茶叶病害样本图片；
获取初始卷积神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练；
将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型；
所述获取初始卷积神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练之前，所述方法还包括：
获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；
相应地，所述获取初始卷积神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练，具体包括：
分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值；
将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型；
通过所述若干茶叶病害样本图片和所述识别结果对所述当前卷积神经网络模型进行训练；
相应地，所述将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型，具体包括：
将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型；
所述基于所述多个识别结果，确定待识别茶叶的病害类型，包括：
基于对多个目标识别图片的识别结果，将识别结果中出现次数最多的病害类型作为待识别茶叶的病害类型；
所述通过所述若干茶叶病害样本图片和所述识别结果对所述当前卷积神经网络模型进行训练，具体包括：
保留所述当前卷积神经网络模型中的卷积层和归一层的参数值；
通过所述若干茶叶病害样本图片和所述识别结果对所述当前卷积神经网络模型中的分类层进行训练。
2.如权利要求1所述的方法，其特征在于，所述获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获取多个目标识别图片，具体包括：
对所述待识别茶叶图片进行扩展处理，获得第一茶叶图片；
基于预设的尺寸对所述第一茶叶图片进行裁剪，获得多个目标识别图片。
3.如权利要求1所述的方法，其特征在于，所述对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，具体包括：
分别获得所述第一预设图像识别模型中的卷积层的第一计算公式及所述第一预设图像识别模型中的归一层的第二计算公式；
对所述第一计算公式和第二计算公式进行合并，得到目标图像识别模型。
4.如权利要求1所述的方法，其特征在于，所述对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型，具体包括：
对第一预设图像识别模型中的卷积层和归一层进行合并，获得当前卷积核的权重参数，对所述权重参数进行正则化处理，得到目标权重参数；
基于所述目标权重参数，得到所述目标图像识别模型。
5.一种茶叶病害识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的茶叶病害识别程序，所述茶叶病害识别程序被所述处理器执行时实现如权利要求1至4中任一项所述的茶叶病害识别方法的步骤。
6.一种存储介质，其特征在于，所述存储介质上存储有茶叶病害识别程序，所述茶叶病害识别程序被处理器执行时实现如权利要求1至4中任一项所述的茶叶病害识别方法的步骤。
7.一种茶叶病害识别装置，其特征在于，所述茶叶病害识别装置包括：
合并模块，用于对第一预设图像识别模型中的卷积层和归一层进行合并，得到目标图像识别模型；
获取模块，用于获取待识别茶叶图片，并对所述待识别茶叶图片进行处理，获得多个目标识别图片；
识别模块，用于通过所述目标图像识别模型分别对所述目标识别图片进行识别，获得多个识别结果；
确定模块，用于基于所述多个识别结果，确定待识别茶叶的病害类型；
所述获取模块，还用于获取若干茶叶病害图片和各茶叶病害图片的识别结果；分别对所述茶叶病害图片进行扩展处理，获得若干茶叶病害样本图片；获取初始卷积神经网络模型，通过所述若干茶叶病害样本图片和所述识别结果对所述初始卷积神经网络模型进行训练；将训练后的初始卷积神经网络模型作为所述第一预设图像识别模型；
所述获取模块，还用于获取若干植物病害样本图片和各植物病害样本图片的识别结果，根据所述植物病害样本图片和所述识别结果建立第二预设图像识别模型；分别获取所述第二预设图像识别模型中的卷积层的第一参数值和归一层的第二参数值；将所述第一参数值作为所述初始卷积神经网络模型的卷积层的初始参数值，并将所述第二参数值作为所述初始卷积神经网络模型的归一层的初始参数值，获得当前卷积神经网络模型；通过所述若干茶叶病害样本图片和所述识别结果对所述当前卷积神经网络模型进行训练；将训练后的当前卷积神经网络模型作为所述第一预设图像识别模型；
所述确定模块，还用于基于对多个目标识别图片的识别结果，将识别结果中出现次数最多的病害类型作为所述待识别茶叶的病害类型；
所述获取模块，还用于保留所述当前卷积神经网络模型中的卷积层和归一层的参数值；通过所述若干茶叶病害样本图片和所述识别结果对所述当前卷积神经网络模型中的分类层进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910674456.9A CN110378305B (zh) | 2019-07-24 | 2019-07-24 | 茶叶病害识别方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910674456.9A CN110378305B (zh) | 2019-07-24 | 2019-07-24 | 茶叶病害识别方法、设备、存储介质及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378305A CN110378305A (zh) | 2019-10-25 |
| CN110378305B true CN110378305B (zh) | 2021-10-12 |
Family
ID=68255761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910674456.9A Active CN110378305B (zh) | 2019-07-24 | 2019-07-24 | 茶叶病害识别方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378305B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563439B (zh) * | 2020-04-28 | 2023-08-08 | 京东科技信息技术有限公司 | 一种水产生物病害检测方法、装置及设备 |
| CN111950773A (zh) * | 2020-07-22 | 2020-11-17 | 清远市智慧农业研究院 | 一种茶叶产量预测系统及方法 |
| CN111862089A (zh) * | 2020-08-03 | 2020-10-30 | 上海闻泰信息技术有限公司 | 一种防尘网瑕疵识别方法、装置及电子设备 |
| CN111914814A (zh) * | 2020-09-01 | 2020-11-10 | 平安国际智慧城市科技股份有限公司 | 小麦锈病检测方法、装置及计算机设备 |
| CN112434662B (zh) * | 2020-12-09 | 2023-04-18 | 安徽大学 | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 |
| CN112883835B (zh) * | 2021-01-29 | 2022-11-25 | 中南民族大学 | 基于计算机视觉的茶叶品质等级确定方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
| CN108564589A (zh) * | 2018-03-26 | 2018-09-21 | 江苏大学 | 一种基于改进全卷积神经网络的植物叶片分割方法 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109360192A (zh) * | 2018-09-25 | 2019-02-19 | 郑州大学西亚斯国际学院 | 一种基于全卷积网络的物联网大田作物叶部病害检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665254A (zh) * | 2017-09-30 | 2018-02-06 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的菜谱推荐方法 |
| CN108171112B (zh) * | 2017-12-01 | 2021-06-01 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
| CN109977793B (zh) * | 2019-03-04 | 2022-03-04 | 东南大学 | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 |
| CN110009648B (zh) * | 2019-03-04 | 2023-02-24 | 东南大学 | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 |
| CN110009095B (zh) * | 2019-03-04 | 2022-07-29 | 东南大学 | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 |
-
2019
- 2019-07-24 CN CN201910674456.9A patent/CN110378305B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
| CN108564589A (zh) * | 2018-03-26 | 2018-09-21 | 江苏大学 | 一种基于改进全卷积神经网络的植物叶片分割方法 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109360192A (zh) * | 2018-09-25 | 2019-02-19 | 郑州大学西亚斯国际学院 | 一种基于全卷积网络的物联网大田作物叶部病害检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Real-Time Diseases Detection of Grape and Grape Leaves using Faster R-CNN and SSD MobileNet Architectures;Shekofa GHOURY 等;《International Conference on Advanced Technologies, Computer Engineering and Science (ICATCES 2019)》;20190428;第39-44页 * |
| 合并BN层到卷积层的原理及实验;小麦草;《https://blog.csdn.net/kangdi7547/article/details/81348254》;20180810;第1-25页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378305A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378305B (zh) | 茶叶病害识别方法、设备、存储介质及装置 | |
| CN110889855B (zh) | 基于端到端卷积神经网络的证件照抠图方法及系统 | |
| CN110223292B (zh) | 图像评估方法、装置及计算机可读存储介质 | |
| JP7038867B2 (ja) | 顔認識方法及び装置 | |
| CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN110489951A (zh) | 风险识别的方法、装置、计算机设备和存储介质 | |
| CN111108508B (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
| CN112132279A (zh) | 卷积神经网络模型压缩方法、装置、设备及存储介质 | |
| CN110163061A (zh) | 用于提取视频指纹的方法、装置、设备和计算机可读介质 | |
| CN111291631A (zh) | 视频分析方法及其相关的模型训练方法、设备、装置 | |
| CN113869282A (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
| CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
| CN111340213A (zh) | 神经网络的训练方法、电子设备、存储介质 | |
| CN116206334A (zh) | 一种野生动物识别方法和装置 | |
| CN110839242A (zh) | 异常号码识别方法及装置 | |
| CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
| CN111191065B (zh) | 一种同源图像确定方法及装置 | |
| CN113076873A (zh) | 一种基于多阶段训练的农作物病害长尾图像识别方法 | |
| CN116503670A (zh) | 图像分类及模型训练方法、装置和设备、存储介质 | |
| CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
| CN116071752A (zh) | 一种数字型仪表读数智能识别方法及系统 | |
| CN114612667A (zh) | 图像分割方法、车辆控制方法及装置 | |
| CN116266394A (zh) | 多模态的情绪识别方法、设备及存储介质 | |
| CN113408571A (zh) | 一种基于模型蒸馏的图像分类方法、装置、存储介质及终端 | |
| CN113255766A (zh) | 一种图像分类方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230103 Address after: No. 101, Unit 1, Building 3, Platinum World, Shahu Road, Xujiapeng Street, Wuchang District, Wuhan City, 430000 Hubei Province Patentee after: Wuhan Bacolo Network Technology Co.,Ltd. Address before: Central South University for nationalities, No.182 Minzu Avenue, Hongshan District, Wuhan City, Hubei Province Patentee before: SOUTH CENTRAL University FOR NATIONALITIES |