CN110992198A - 作物病害防治方案推荐方法及装置、系统、设备和介质 - Google Patents

Abstract

本公开是关于一种作物病害防治方案推荐方法及装置、系统、设备以及介质，涉及机器学习技术领域，可以应用于根据作物图像确定对应的病害防治方案的场景。该作物病害防治方案推荐方法包括：获取多个待处理图像；其中，待处理图像包括作物图像；将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。本公开引入深度残差网络，以便更准确地获取到与作物图像对应的病害防治方案。

Description

作物病害防治方案推荐方法及装置、系统、设备和介质

技术领域

本公开涉及机器学习技术领域，具体而言，涉及一种作物病害防治方案推荐方法、作物病害防治方案推荐装置、作物病害防治方案推荐系统、电子设备以及计算机可读存储介质。

背景技术

在农业生产中，各类作物常常受到多种病害侵害，导致作物病害作物减产和品质下降，作物病害防治是作物生产中的重要任务，及早发现作物病情和正确诊断病害类型，掌握病害发生特点、发生发展规律和防治措施，采取多种有效措施保护作物生产，是进行科学防治作物病害的前提。

由于很多病害发生后病害症状往往首先表现在叶片，多年来，基于病害叶片图像的作物病害识别方法和系统研究一直是多个领域专家和学者的研究方向。

然而，由于作物病害种类很多，实际病害叶片图像千变万化等原因，使得很多现有的作物病害识别方法和技术的识别率低、鲁棒性不强，还不能满足作物病害智能检测系统的实际需要。基于深度学习的特征提取方法一般需要依赖大量训练样本解决其性能退化问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种作物病害防治方案推荐方法、作物病害防治方案推荐装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服现有的采用传统的卷积神经网络方法进行作物病害识别时识别率低、鲁棒性不强的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本公开的第一方面，提供一种作物病害防治方案推荐方法，包括：获取多个待处理图像；其中，待处理图像包括作物图像；将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

可选的，作物图像为多个作物图像，将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据，包括：将多个作物图像作为初始训练样本集；获取新增作物图像，并将新增作物图像与作物图像作为更新训练集；将更新训练集输入至特征分类模型，以获取分类特征数据。

可选的，分类特征数据包括图像分类特征和作物病害类型，深度残差网络包括残差处理单元、全局平均池化层以及分类层；其中，分类层包括基于支持向量机生成的多分类器，上述方法还包括：将图像分类特征输入至全局平均池化层，以获取图像分类特征对应的池化结果；将池化结果输入至多分类器，以获取与图像分类特征对应的作物病害类型。

可选的，结果推荐模型包括规则子库、事实子库和推理层，将分类特征数据输入至结果推荐模型，以得到与分类特征数据对应的防治方案，包括：将分类特征数据输入至事实子库，以存储分类特征数据；获取产生式规则，将产生式规则输入至规则子库，以存储产生式规则；其中，产生式规则包括病害防治方案；由推理层采用动态搜索机制的黑板模型，并根据分类特征数据生成对应的防治方案推荐清单；其中，推荐清单中包括病害防治方案。

可选的，由推理层采用动态搜索机制的黑板模型，并根据分类特征数据生成对应的防治方案推荐清单，包括：确定黑板模型中的知识源，并确定知识源所调用的结果记录数目；根据结果记录数目重新划分知识源的优先级，以改进知识源的层次结构；根据分类特征数据以及变化后的知识源层次结构生成防治方案推荐清单。

可选的，接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构，包括：确定反馈信息的可靠度，并确定与可靠度对应的阈值；判断可靠度是否大于阈值；若是，则将反馈信息输入至深度残差网络，以对参数的权重进行调整处理，生成优化后的深度残差网络。

根据本公开的第二方面，提供一种作物病害防治方案推荐装置，包括：图像获取模块，用于获取多个待处理图像；其中，待处理图像包括作物图像；特征数据确定模块，用于将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；防治方案确定模块，用于将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；优化模块，用于接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

可选的，特征数据确定模块包括特征数据确定单元，用于将多个作物图像作为初始训练样本集；获取新增作物图像，并将新增作物图像与作物图像作为更新训练集；将更新训练集输入至特征分类模型，以获取分类特征数据。

可选的，作物病害防治方案推荐装置还包括类型获取模块，用于将图像分类特征输入至全局平均池化层，以获取图像分类特征对应的池化结果；将池化结果输入至多分类器，以获取与图像分类特征对应的作物病害类型。

可选的，防治方案确定模块包括防治方案确定单元，用于将分类特征数据输入至事实子库，以存储分类特征数据；获取产生式规则，将产生式规则输入至规则子库，以存储产生式规则；其中，产生式规则包括病害防治方案；由推理层采用动态搜索机制的黑板模型，并根据分类特征数据生成对应的防治方案推荐清单；其中，推荐清单中包括病害防治方案。

可选的，防治方案确定单元包括方案确定子单元，用于确定黑板模型中的知识源，并确定知识源所调用的结果记录数目；根据结果记录数目重新划分知识源的优先级，以改进知识源的层次结构；根据分类特征数据以及变化后的知识源层次结构生成防治方案推荐清单。

可选的，优化模块包括优化单元，用于确定反馈信息的可靠度，并确定与可靠度对应的阈值；判断可靠度是否大于阈值；若是，则将反馈信息输入至深度残差网络，以对参数的权重进行调整处理，生成优化后的深度残差网络。

根据本公开的第三方面，提供一种作物病害防治方案推荐系统，包括：图像采集子系统，用于采集作物图像；图像分类子系统，用于将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；方案推荐子系统，用于将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；信息反馈子系统，用于接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，所述存储器上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实现根据上述任意一项所述的作物病害防治方案推荐方法。

根据本公开的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的作物病害防治方案推荐方法。

本公开提供的技术方案可以包括以下有益效果：

本公开的示例性实施例中的作物病害防治方案推荐方法，获取到多个待处理的作物图像后，可以将作物图像输入至由深度残差网络生成的特征分类模型中，得到对应的分类特征数据，再将分类特征数据输入至结果推荐模型中，确定出分类特征数据对应的防治方案，然后接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。一方面，将作物图像输入至由深度残差网络生成的特征分类模型中，可以由特征分类模型确定出与作物图像对应的分类特征，采用基于深度残差网络生成的特征分类模型对作物图像进行分类，可以把网络层的层数设计的更深，得到较好的分类效果，具有识别率高、鲁棒性强等优点。另一方面，深度残差网络中引入了残差连接，能够在训练层次非常深的网络时解决其性能退化问题。再一方面，基于深度残差网络的特征分类模型，残差网络的残差连接能够加速深度网络的收敛，并通过大幅度增加网络深度来保持准确率的提高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐方法的流程图；

图2示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐方法的工作原理图；

图3示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐方法的深度残差网络结构图；

图4示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐方法的残差网络图；

图5示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐装置的方框图；

图6示意性示出了根据本公开的示例性实施方式的作物病害防治方案推荐系统的方框图；

图7示意性示出了根据本公开一示例性实施例的电子设备的框图；

图8示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在农业生产中，各类作物常常受到多种病害侵害，导致作物减产，作物病害防治对于农业生产非常重要。由于在许多病害发生后，病害症状首先表现在叶片上，因此，对作物叶片症状进行分析一直是判断作物病害类型和进行病害防治的依据。目前，可以采用基于深度学习的特征提取方法对病害叶片图像进行分析，以提取叶片图像中的分类特征，对叶片图像进行分类。然而，采用深度学习进行特征提取的过程中，当网络层数增加到一定的数值时，如果继续增加，可能会出现性能退化的问题，而且需要依赖大量训练样本解决其性能退化问题。

基于此，在本示例实施例中，首先提供了一种作物病害防治方案推荐方法，可以利用服务器来实现本公开的用作物病害防治方案推荐方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的作物病害防治方案推荐方法流程的示意图。参考图1，该作物病害防治方案推荐方法可以包括以下步骤：

步骤S110，获取多个待处理图像；其中，待处理图像包括作物图像。

步骤S120，将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成。

步骤S130，将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案。

步骤S140，接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

根据本示例实施例中的作物病害防治方案推荐方法，一方面，将作物图像输入至由深度残差网络生成的特征分类模型中，可以由特征分类模型确定出与作物图像对应的分类特征，采用基于深度残差网络生成的特征分类模型对作物图像进行分类，可以把网络层的层数设计的更深，得到较好的分类效果，具有识别率高、鲁棒性强等优点。另一方面，深度残差网络中引入了残差连接，能够在训练层次非常深的网络时解决其性能退化问题。再一方面，基于深度残差网络的特征分类模型，残差网络的残差连接能够加速深度网络的收敛，并通过大幅度增加网络深度来保持准确率的提高。

下面，将对本示例实施例中的作物病害防治方案推荐方法进行进一步的说明。

在步骤S110中，获取多个待处理图像；其中，待处理图像包括作物图像。

在本公开的一些示例性实施方式中，待处理图像可以是需要处理的图像，在本示例实施例中，待处理图像可以是作物图像。作物图像可以是农业生产中栽培的各种植物对应的图像，作物图像可以是作物生长过程中的叶片图像，也可以是作物生长过程中的茎部图像，还可以是作物生长过程中的种子图像、花朵图像等。本示例实施例将以作物叶片图像为例对作物病害防治方案推荐方法进行详细说明。

在进行作物病害防治方法推荐之前，可以先获取大量的作物图像作为分析处理的输入，对作物图像进行分析后得到具体的结果。具体的，可以通过移动摄像设备拍摄作物的方式，还可以通过人机交互的方法获取作物正常叶片图像、作物病害叶片图像等。

在步骤S120中，将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成。

在本公开的一些示例性实施方式中，特征分类模型可以是用于对输入的作物图像进行分类处理，以提取出与作物图像对应的分类数据。分类特征数据可以是对作物图像进行数据分类后确定出的数据，分类特征数据可以反映出作物叶片图像的多种类别的特征，分类特征数据可以包含多个维度。分类特征数据可以是反映该作物病害叶片图像的颜色、为例和形状的分类特征，也可以是该作物的病害程度等级的数据或者反映作物病害类型的数据，还可以是反映作物病害持续时间的数据等等。本公开对分类特征数据的具体含义不做任何特殊限定。

获取到作物叶片图像后，可以将作物叶片图像输入至由深度残差网络生成的特征分类模型中，由特征分类模型对作物叶片图像进行数据分类处理，确定出与作物叶片图像对应的分类特征数据。具体的，数据分类可以是把具有某种共同特征的数据归并在一起，通过其类别的属性或特征对数据进行区别。

参考图2，图2示意性示出了本公开的作物病害防治方案推荐方法的原理图。在步骤S210～步骤S230中，在获取到作物图像后，可以将作物图像存储在训练数据库220中，并将作物图像输入至网络学习模型中进行训练，通过网络模型训练后，可以对网络参数进行更新，将更新后的参数作为训练后的深度残差网络的参数。根据本公开的一些示例性实施例，作物图像为多个作物图像，将多个作物图像作为初始训练样本集；获取新增作物图像，并将新增作物图像与作物图像作为更新训练集；将更新训练集输入至特征分类模型，以获取分类特征数据。初始训练样本集可以是在进行模型训练前，通过摄像设备等获取到的多个作物图像。初始训练样本集可以用于训练基于深度残差网络的样本数据集。新增作物图像可以是在训练过程中，不断获取到的新的病害叶片图像。更新训练集可以是初始训练样本集和新增作物图像共同组成的数据集。

将获取到的多个作物图像作为初始训练样本集后，还可以不断获取新的作物病害叶片图像作为新增作物图像，并将新增作物图像与初始训练样本集组成更新训练集，并将更新训练集输入至由深度残差网络生成的特征分类模型中，以获取到对应的分类特征数据。

深度残差网络(Deep Residual Network，ResNet)是一种卷积神经网络，通常，在采用神经网络模型训练样本数据过程中，通过增加网络的宽度和深度可以很好的提高网络的性能，但是仅仅通过简单地增加深度，可能会出现性能退化问题，而深度残差网络相比于经典的卷积神经网络，在训练层数较深的网络时，可以很好地解决其性能退化问题；另外，残差连接能够加速深度网络的收敛，并通过大幅度增加网络深度来保持准确率的提高。在本示例实施例中，深度残差网络可以通过前向传播算法(Forward propagation)与反向传播算法(Back propagation)对作物图像进行训练学习，以提取叶片图像的分类特征数据。

根据本公开的另一示例性实施例，分类特征数据包括图像分类特征和作物病害类型，深度残差网络包括残差处理单元、全局平均池化层以及分类层；其中，分类层包括基于支持向量机生成的多分类器，上述方法还包括：将图像分类特征输入至全局平均池化层，以获取图像分类特征对应的池化结果；将池化结果输入至多分类器，以获取与图像分类特征对应的作物病害类型。作物病害类型可以分为传染性病害和生理性病害，其中传染性病害可以包括细菌性病害、病毒性病害、真菌性病害、线虫性病害等。残差处理单元可以是解决模型训练过程产生的退化问题的网络模型结构。全局平均池化(Global Average Pooling)层可以对作物叶片图像的分类特征数据进行降采样，保留叶片图像中的显著特征、降低特征维度。分类层可以是基于支持向量机(Support Vector Machine，SVM)的多分类器，采用基于支持向量机的多分类器代替一般卷积神经网络模型中的SoftMax分类器，能够提高特征分类模型分类的正确率。池化结果可以是图像分类特征数据经全局平均池化层进行池化处理后得到的结果。

参考图3，在本示例实施例中，深度残差网络由5个残差单元(残差网络303～残差网络307)、一个全局平均池化层和一个分类层组成。其中，5个残差单元共有34层。参考图4，图4示意性示出了深度残差网络的残差单元的结构图，每一个残差单元的结构相同，都分别包含1×1卷积层410、3×3个卷积层440、一个修正线性层430和一个批归一化层420。分类层可以是SVM多分类器，采用SVM分类器能够提供特征分类模型对作物图像分类的正确率。将作物图像310输入至卷积层309和池化层308进行处理后，将处理结果输入至深度残差网络中，由深度残差网络输出对应的残差结果，然后，将残差结果输入至平均池化层302与分类器301中，以得到分类特征数据。

在步骤S130中，将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案。

在本公开的一些示例性实施方式中，结果推荐模型可以是通过对输入分类特征数据进行分类处理，并输出与具体的分类特征数据对应的作物病害防治方案的训练模型。防治方案可以是针对作物病害类型、作物病害程度确定出的对应的防治方案。

将分类特征数据输入至结果推荐模型中，由结果推荐模型确定出与分类特征数据对应的防治方案。

根据本公开的一些示例性实施例，将分类特征数据输入至事实子库，以存储分类特征数据；获取产生式规则，将产生式规则输入至规则子库，以存储产生式规则；其中，产生式规则包括病害防治方案；由推理层采用动态搜索机制的黑板模型，并根据分类特征数据生成对应的防治方案推荐清单；其中，推荐清单中包括病害防治方案。事实可以表示静态知识，如事物之间的关系。事实子库可以是存储作物图像相关知识的数据库，例如，事实子库中可以存储病害叶片图像的分类特征数据。产生式规则可以是表示推理和行为的过程。规则子库可以是基于一些产生式规则存储作物病害防治方案的数据库，其中，产生式规则可以定义根据病害叶片图像的分类特征数据确定出的与之对应的作物病害防治方案。举例而言，规则库中存储的内容可以描述为：Ri:IF RLS THEN RRS(i＝1,2,…,N)；其中，Ri称为规则子库中第i条规则；RLS是第i条规则条件部分，可以是任何子句的逻辑组合；RRS是第i条规则结论部分，可以是一个结论或操作，或者是多个结论或操作的与组合。

推理层可以是根据作物病害叶片特征确定出与之对应的病害防治方案的推理结构。防治方案推荐清单可以记录与病害叶片图像的分类特征对应的防治方案。推理层可以采用正向推理模拟病害专家思维过程，采用动态搜索机制的黑板模型，根据作物病害图像的分类特征数据进行个性化病害防治方案推荐，以生成与分类特征数据对应的防治方案推荐清单。

根据本公开的另一示例性实施例，确定黑板模型中的知识源，并确定知识源所调用的结果记录数目；根据结果记录数目重新划分知识源的优先级，以改进知识源的层次结构；根据分类特征数据以及变化后的知识源层次结构生成防治方案推荐清单。黑板模型(Blackboard Model)是一种典型而流行的专家系统结构模式，一般由知识源(KnowledgeSource，KS)、黑板和监控机制组成。具体的，知识源可以是根据求解问题专门知识的不同划分成若干相互独立的专家。结果记录数目可以是知识源所调用的结果记录的数量记录。知识源的优先级可以是知识源对应的优先等级。

确定出黑板模型中的知识源后，可以基于动态搜索机制的黑板模型在每次搜索过程中可以不断地按照知识源规则动作中所调用的结果记录数目，重新划分各个知识源的优先级，以改进黑板模型固定顺序的知识源层次结构，保证下一级知识源在更小范围的数量空间进行搜索，可以有效提高病害防治方案推荐系统的规则匹配和搜索速度。

在步骤S140中，接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

在本公开的一些示例性实施方式中，反馈信息可以是用户根据与作物叶片图像推荐的防治方案对应的信息，反馈信息可以包括用户针对结果推荐模型确定出的防治方案是否能够有效解决作物病害类型，所产生的对应防治效果的信息。举例而言，按照防治方案对作物病害类型的防治效果的有效程度，可以将反馈信息划分为非常有效、普通有效、部分无效、完全无效等。在其他示例性实施例中，还可以根据具体情况对反馈信息的类型进行划分，本示例实施例对此不作任何特殊限定。

根据本公开的一些示例性实施例，确定反馈信息的可靠度，并确定与可靠度对应的阈值；判断可靠度是否大于阈值；若是，则将反馈信息输入至深度残差网络，以对参数的权重进行调整处理，生成优化后的深度残差网络。可靠度可以是判断反馈信息的真实程度的参数。与可靠度对应的阈值可以是用于与可靠度进行对比的参考值，阈值可以是预先设定的数值。参数的权重可以是深度残差网络中网络连接中的参数对应的权重。

当确定出反馈信息的可靠度时，可以获取与该反馈信息的可靠度对应的阈值，并将可靠度与阈值进行对比，如果可靠度大于阈值，则认为可以利用该反馈信息进行深度残差网络的优化处理，因此，可以将该反馈信息输入至深度残差网络中，对深度残差网络中的参数的权重进行调整，直至基于深度残差网络的特征分类模型输出准确度较高的分类特征数据，即生成优化后的深度残差网络。

参考图2，在步骤S240～步骤S280中，将作物图像输入至训练后的深度残差网络，可以确定出作物图像的分类特征数据，并将分类特征数据存储在病害信息库210中，以结合确定出的分类特征数据进行病害防治方案的推荐。获取病害防治方案对应的用户反馈信息，并坚定用户反馈信息的信息可信度，将可信度较高的反馈信息输入至深度残差网络中，以调整深度残差网络中参数的权重，对深度残差网络的结构进行优化。

综上所述，本公开的示例性实施例中的作物病害防治方案推荐方法，将获取到的多个作物图像输入至由深度残差网络生成的特征分类模型，由特征分类模型输出对应的分类特征数据；再将分类特征数据输入至结果推荐模型中，以确定出分类特征数据对应的防治方案；接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。一方面，采用深度残差网络自动提取作物病害叶片图像的深层次分类特征，不仅可以省去图像预处理过程，而且可以有效防止在图像预处理过程中的分类特征信息丢失。另一方面，利用SVM多分类器取代卷积神经网络模型最后一层Softmax分类器，能够提高系统的泛化能力和推荐方案的精度。又一方面，由于深度残差网络引入了残差网络结构，通过这种残差网络结构，可以把网络层设计更深，得到更好的分类效果。再一方面，本公开可以采用动态黑板模型等专家系统技术提供给农业生产者更加专业化、智能化的作物病害防治方案推荐，帮助农业生产者找到适合的作物病害防治方案。

需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种作物病害防治方案推荐装置。参考图5，该作物病害防治方案推荐装置500可以包括：图像获取模块510、特征数据确定模块520、防治方案确定模块530以及优化模块540。

具体的，图像获取模块510可以用于获取多个待处理图像；其中，待处理图像包括作物图像；特征数据确定模块520可以用于将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；防治方案确定模块530可以用于将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；优化模块540可以用于接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

作物病害防治方案推荐装置500可以将获取到的作物图像输入至基于深度残差网络生成的特征分类模型中，由特征分类模型确定出与作物图像对应的分类特征数据；将分类特征数据输入至结果推荐模型，由结果推荐模型确定出与分类特征数据对应的防治方案，接收用户针对防治方案的反馈信息，并根据反馈信息对特征分类模型中的深度残差网络中的参数的权重进行调整，以优化深度残差网络的结构，采用深度残差网络相比于传统的卷积神经网络，通过引入残差连接，能够在训练非常深的网络时解决其性能退化的问题，另外，残差连接能够加速深度网络的收敛，并通过大幅度增加网络深度来保持准确率的提高。

在本公开的一种示例性实施方案中，基于前述方案，特征数据确定模块包括特征数据确定单元，用于将多个作物图像作为初始训练样本集；获取新增作物图像，并将新增作物图像与作物图像作为更新训练集；将更新训练集输入至特征分类模型，以获取分类特征数据。

在本公开的一种示例性实施方案中，基于前述方案，作物病害防治方案推荐装置还包括类型获取模块，用于将图像分类特征输入至全局平均池化层，以获取图像分类特征对应的池化结果；将池化结果输入至多分类器，以获取与图像分类特征对应的作物病害类型。

在本公开的一种示例性实施方案中，基于前述方案，防治方案确定模块包括防治方案确定单元，用于将分类特征数据输入至事实子库，以存储分类特征数据；获取产生式规则，将产生式规则输入至规则子库，以存储产生式规则；其中，产生式规则包括病害防治方案；由推理层采用动态搜索机制的黑板模型，并根据分类特征数据生成对应的防治方案推荐清单；其中，推荐清单中包括病害防治方案。

在本公开的一种示例性实施方案中，基于前述方案，防治方案确定单元包括方案确定子单元，用于确定黑板模型中的知识源，并确定知识源所调用的结果记录数目；根据结果记录数目重新划分知识源的优先级，以改进知识源的层次结构；根据分类特征数据以及变化后的知识源层次结构生成防治方案推荐清单。

在本公开的一种示例性实施方案中，基于前述方案，优化模块包括优化单元，用于确定反馈信息的可靠度，并确定与可靠度对应的阈值；判断可靠度是否大于阈值；若是，则将反馈信息输入至深度残差网络，以对参数的权重进行调整处理，生成优化后的深度残差网络。

在本示例实施例中，还提供了一种作物病害防治方案推荐系统。参考图6，该作物病害防治方案推荐系统600可以包括：图像采集子系统610、图像分类子系统620、方案推荐子系统630以及信息反馈子系统640。

具体的，图像采集子系统610可以用于采集作物图像；图像分类子系统620可以用于将作物图像输入至特征分类模型，以确定作物图像对应的分类特征数据；其中，特征分类模型是基于深度残差网络生成；方案推荐子系统630可以用于将分类特征数据输入至结果推荐模型，以确定与分类特征数据对应的防治方案；信息反馈子系统640可以用于接收针对防治方案的反馈信息，根据反馈信息调整深度残差网络的参数的权重，以优化深度残差网络的结构。

作物病害防治方案推荐系统600可以采用图像采集子系统获取作物图像，将获取到的作物图像输入至图像分类子系统中，由图像分类子系统提取出作物图像的分类特征数据，并将确定出分类特征数据输入至结果推荐模型中，由结果推荐模型输出与分类特征数据对应的防治方案，用户可以针对确定出的防治方案进行效果反馈，得到反馈信息，根据接收到的反馈信息对深度残差网络中的参数的权重进行调整，优化深度残差网络的结构。

上述中各虚拟作物病害防治方案推荐装置模块的具体细节已经在对应的作物病害防治方案推荐方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了作物病害防治方案推荐装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参考图7来描述根据本发明的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。

存储单元720以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图8所示，描述了根据本发明的实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种作物病害防治方案确定方法，其特征在于，包括：

获取多个待处理图像；其中，所述待处理图像包括作物图像；

将所述作物图像输入至特征分类模型，以确定所述作物图像对应的分类特征数据；其中，所述特征分类模型是基于深度残差网络生成；

将所述分类特征数据输入至结果推荐模型，以确定与所述分类特征数据对应的防治方案；

接收针对所述防治方案的反馈信息，根据所述反馈信息调整所述深度残差网络的参数的权重，以优化所述深度残差网络的结构。

2.根据权利要求1所述的作物病害防治方案确定方法，其特征在于，所述作物图像为多个作物图像，将所述作物图像输入至特征分类模型，以确定所述作物图像对应的分类特征数据，包括：

将所述多个作物图像作为初始训练样本集；

获取新增作物图像，并将所述新增作物图像与所述作物图像作为更新训练集；

将所述更新训练集输入至所述特征分类模型，以获取所述分类特征数据。

3.根据权利要求1或2所述的作物病害防治方案确定方法，其特征在于，所述分类特征数据包括图像分类特征和作物病害类型，所述深度残差网络包括残差处理单元、全局平均池化层以及分类层；其中，所述分类层包括基于支持向量机生成的多分类器，所述方法还包括：

将所述图像分类特征输入至所述全局平均池化层，以获取所述图像分类特征对应的池化结果；

将所述池化结果输入至所述多分类器，以获取与所述图像分类特征对应的所述作物病害类型。

4.根据权利要求1所述的作物病害防治方案确定方法，其特征在于，所述结果推荐模型包括规则子库、事实子库和推理层，所述将所述分类特征数据输入至结果推荐模型，以确定与所述分类特征数据对应的防治方案，包括：

将所述分类特征数据输入至所述事实子库，以存储所述分类特征数据；

获取产生式规则，将所述产生式规则输入至所述规则子库，以存储所述产生式规则；其中，所述产生式规则包括病害防治方案；

由所述推理层采用动态搜索机制的黑板模型，并根据所述分类特征数据生成对应的防治方案推荐清单；其中，所述推荐清单中包括所述病害防治方案。

5.根据权利要求4所述的作物病害防治方案确定方法，其特征在于，所述由所述推理层采用动态搜索机制的黑板模型，并根据所述分类特征数据生成对应的防治方案推荐清单，包括：

确定所述黑板模型中的知识源，并确定所述知识源所调用的结果记录数目；

根据所述结果记录数目重新划分所述知识源的优先级，以改进所述知识源的层次结构；

根据所述分类特征数据以及变化后的知识源层次结构生成所述防治方案推荐清单。

6.根据权利要求1所述的作物病害防治方案确定方法，其特征在于，所述接收针对所述防治方案的反馈信息，根据所述反馈信息调整所述深度残差网络的参数的权重，以优化所述深度残差网络的结构，包括：

确定所述反馈信息的可靠度，并确定与所述可靠度对应的阈值；

判断所述可靠度是否大于所述阈值；

若是，则将所述反馈信息输入至所述深度残差网络，以对所述参数的权重进行调整处理，生成优化后的深度残差网络。

7.一种作物病害防治方案确定装置，其特征在于，包括：

图像获取模块，用于获取多个待处理图像；其中，所述待处理图像包括作物图像；

特征数据确定模块，用于将所述作物图像输入至特征分类模型，以确定所述作物图像对应的分类特征数据；其中，所述特征分类模型是基于深度残差网络生成；

防治方案确定模块，用于将所述分类特征数据输入至结果推荐模型，以确定与所述分类特征数据对应的防治方案；

优化模块，用于接收针对所述防治方案的反馈信息，根据所述反馈信息对所述结果推荐模型进行修正，并优化所述深度残差网络的结构。

8.一种作物病害防治方案确定系统，其特征在于，包括：

图像采集子系统，用于采集作物图像；

图像分类子系统，用于将所述作物图像输入至特征分类模型，以确定所述作物图像对应的分类特征数据；其中，所述特征分类模型是基于深度残差网络生成；

方案推荐子系统，用于将所述分类特征数据输入至结果推荐模型，以确定与所述分类特征数据对应的防治方案；

信息反馈子系统，用于接收针对所述防治方案的反馈信息，根据所述反馈信息调整所述深度残差网络的参数的权重，以优化所述深度残差网络的结构。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，所述存储器上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实现根据权利要求1至6中任一项所述的作物病害防治方案确定方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至6中任一项所述的作物病害防治方案确定方法。

Images