CN111709481A - 一种烟草病害识别方法、系统、平台及存储介质 - Google Patents
一种烟草病害识别方法、系统、平台及存储介质 Download PDFInfo
- Publication number
- CN111709481A CN111709481A CN202010555276.1A CN202010555276A CN111709481A CN 111709481 A CN111709481 A CN 111709481A CN 202010555276 A CN202010555276 A CN 202010555276A CN 111709481 A CN111709481 A CN 111709481A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- module
- generating
- disease identification
- tobacco disease
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 136
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 136
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 63
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 118
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 20
- 238000005070 sampling Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及植物病害识别技术领域,具体涉及一种烟草病害识别方法、系统、平台及存储介质。本发明通过获取烟草病害浅层特征数据;根据浅层特征数据,抽取细粒度高层特征信息;实时生成烟草病害类别数据。可以实现实时掌握烟草病害类别的识别,便于实时掌握烟草的生长态势;其次,通过本发明方案,在打破小规模数据集限制的同时,实现了对病害图像细粒度特征的提取,解决了数据规模小的问题,还有效避免了现有技术中模型出现过拟合。
Description
技术领域
本发明涉及植物病害识别技术领域,具体涉及一种烟草病害识别方法、系统、平台及存储介质。
背景技术
当前,植物病害识别的研究大多基于公开数据集,对植物病害识别的研究通常是对病害图像进行实时研究,而实地采集的病害图像通常包含多种干扰因素,如复杂的背景、光照反射等,针对这些因素,传统方式通常是在对图像预处理过程中采用手工标注的方法进行背景去除。
此外,烟草病害的早期病斑相比其他植物病害相似度更高,而且由于烟田采集高质量图像数据的难度高、病害发展速度快,多种高难度使得数据量也十分稀少,也就是说,就传统方式而言,无法实现对烟草病害类别的识别。
还有,传统模式中,Hlaing CS等在植物病害图像预处理后基于统计特征提取scale invariant feature transform(SIFT)(尺度不变特征转换)特征和颜色特征,对纹理和颜色特征进行建模,然后使用SVM分类器进行分类。这种手动提取特征的识别方法需要在预处理阶段面临许多环境因素带来的问题,包括阳光反射、阴影、叶片重叠、复杂背景等问题,这些因素都会影响图像分割效果,进而会对特征提取造成干扰。
深度学习技术为特征的自动获取提供了可能,Durmuş H等和Verma S等都对PlantVillage(植物村)数据集中的番茄病害图像进行了研究,使用卷积神经网络训练出了识别准确率较高的模型。但是公开数据集中的数据几乎都是在受控条件下采集,研究表明使用PlantVillage(植物村)中数据训练的模型,在现实环境中使用时准确率会迅速下降。
现实中,对于农业领域大量采集田野中的数据图像难度非常高,通常将迁移学习作为解决数据数量与质量不足的方案,如Hyun K S等人使用微调预训练CNN(卷积神经网络)的方法实现田野环境中的甜菜与马铃薯的二分类。但这种方法只适用于粒度较粗的图像分类问题,无法解决类间差异较小的烟草早期病害图像识别问题。
另外,对于视觉注意机制而言,是目前实现弱监督细粒度图像分类的有效方法。FuJ等人提出APN(Attention Proposal Network) (注意力提议网络)来定位图像中的区分性区域 ,实现无监督空间域注意力定位。Hu J等人提出了Squeeze-and-excitation(SE) (挤压与激励)模块,通过通道内特征挤压探索通道间的依赖性,实现通道域注意力机制。WangF等人设计了残差注意力模块,借助Residual(残差)结构缓解注意力模块堆叠引起的信息丢失问题,并提出残差注意力模块(Residual-Attention Module)产生混合注意力约束。这些方法并未在实地采集的植物病害图像识别方面得到有效运用,而烟草早期病害图像数据集在数据量等方面也无法满足细粒度分类模型的训练要求。
综上所述,由于烟田采集高质量图像数据的难度高、病害发展速度快,多种高难度使得数据量也十分稀少,就传统方式和现有技术而言,无法实现对烟草病害类别的识别。
发明内容
针对以上目前无法实现对烟草病害识别的技术问题及缺陷。本发明提供一种烟草病害识别方法、系统、平台及存储介质,实现实时掌握烟草病害情况。
本发明具体通过以下技术方案实现:
一种烟草病害识别方法,所述的方法具体包括如下步骤:
获取烟草病害浅层特征数据;
根据浅层特征数据,抽取细粒度高层特征信息;
生成烟草病害类别数据。
进一步地,于步骤获取烟草病害浅层特征数据之前,还包括如下步骤:
获取烟草病害初始特征图像。
进一步地,于步骤根据浅层特征数据,抽取细粒度高层特征信息中,还包括如下步骤:
对初始特征图像的通道域和空间域依赖关系进行建模。
进一步地,于步骤对初始特征图像的通道域和空间域依赖关系进行建模中,还包括如下步骤:
捕获特征图像中的通道相关性,生成通道域调整权重;
扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
生成多重加权特征图像。
进一步地,于步骤扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值中,还包括如下步骤:
对输出的特征图像信息进行归一化处理。
进一步地,于步骤生成烟草病害类别数据中,还包括如下步骤:
将特征图像张量压缩为一维特征向量;
生成特征向量与输出类别之间的映射。
为实现上述目的,本发明还提供一种烟草病害识别系统,所述的系统具体包括:
获取单元,用于获取烟草病害浅层特征数据;
抽取单元,用于根据浅层特征数据,抽取细粒度高层特征信息;
生成单元,用于生成烟草病害类别数据。
进一步地,所述的系统还包括:
获取模块,用于获取烟草病害初始特征图像;
所述的抽取单元中,还包括建模模块,所述的建模模块,用于对初始特征图像的通道域和空间域依赖关系进行建模;
所述的建模模块中,还包括:捕获模块、扫描模块和第一生成模块;
所述的捕获模块,用于捕获特征图像中的通道相关性,生成通道域调整权重;
所述的扫描模块,用于扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
所述的第一生成模块,用于生成多重加权特征图像;
所述的捕获模块中,还包括:归一化模块,用于对输出的特征图像信息进行归一化处理;
所述的生成单元中,还包括压缩模块和第二生成模块;
所述的压缩模块,用于将特征图像张量压缩为一维特征向量;所述的第二生成模块,用于生成特征向量与输出类别之间的映射。
为实现上述目的,本发明还提供一种烟草病害识别平台,包括:
处理器、存储器以及烟草病害识别平台控制程序;
其中在所述的处理器执行所述的烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序被存储在所述存储器中,所述的烟草病害识别平台控制程序,实现所述的烟草病害识别方法步骤。
为实现上述目的,本发明还提供一种计算机可读取存储介质,所述计算机可读取存储介质存储有烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序,实现所述的烟草病害识别方法步骤。
为实现上述目的,本发明还提供一种芯片系统,所述芯片系统包括至少一个处理器,当程序指令在所述至少一个处理器中执行时,使得所述芯片系统执行所述的烟草病害识别方法步骤。
与现有技术相比,本发明具有以下有益效果:
本发明通过一种烟草病害识别方法、系统、平台及存储介质,可以实现实时掌握烟草病害类别的识别,便于实时掌握烟草的生长态势;
其次,通过本发明方案,在打破小规模数据集限制的同时,实现了对病害图像细粒度特征的提取,解决了数据规模小的问题,还有效避免了现有技术中模型出现过拟合。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明一种烟草病害识别方法流程架构示意图;
图2为本发明一种烟草病害识别系统架构示意图;
图3为本发明一种烟草病害识别平台架构示意图;
图4为本发明一种实施例中计算机可读取存储介质架构示意图;
本发明目的实现、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
为便于更好的理解本发明的目的、技术方案和优点更加清楚,下面结合附图和具体的实施方式对本发明作进一步说明,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。
本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。其次,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
优选地,本发明一种烟草病害识别方法应用在一个或者多个终端或者服务器中。所述终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可以与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
本发明为实现一种烟草病害识别方法、系统、平台及存储介质。
如图1所示,是本发明实施例提供的烟草病害识别方法的流程图。
在本实施例中,所述烟草病害识别方法,可以应用于具备显示功能的终端或者固定终端中,所述终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机等。
所述烟草病害识别方法也可以应用于由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于:广域网、城域网或局域网。本发明实施例的烟草病害识别方法可以由服务器来执行,也可以由终端来执行,还可以是由服务器和终端共同执行。
例如,对于需要进行烟草病害识别终端,可以直接在终端上集成本发明的方法所提供的烟草病害识别功能,或者安装用于实现本发明的方法的客户端。再如,本发明所提供的方法还可以软件开发工具包(Software Development Kit,SDK)的形式运行在服务器等设备上,以SDK的形式提供烟草病害识别功能的接口,终端或其他设备通过所提供的接口即可实现烟草病害识别功能。
以下结合附图对本发明作进一步阐述。
如图1所示,本发明提供了一种烟草病害识别方法,所述的方法具体包括如下步骤:
一种烟草病害识别方法,所述的方法具体包括如下步骤:
S1、获取烟草病害浅层特征数据;
S2、根据浅层特征数据,抽取细粒度高层特征信息;
S3、生成烟草病害类别数据。
也就是说,通过获取烟草病害浅层特征数据;再根据浅层特征数据,抽取细粒度高层特征信息,即在浅层特征的基础上抽取细粒度高层特征,最后根据细粒度高层特征信息,结合相应的权重生成生成烟草病害类别数据。
具体地,于步骤获取烟草病害浅层特征数据之前,还包括如下步骤:
S10、获取烟草病害初始特征图像。
在本发明实施例中,首先,通过预训练模型打破小规模数据集的限制,处理病害图像提供初始特征图像,得到病害图像的浅层特征。
较佳地,于步骤根据浅层特征数据,抽取细粒度高层特征信息中,还包括如下步骤:
S20、对初始特征图像的通道域和空间域依赖关系进行建模。
换言之,在获取烟草病害初始特征图像后,通过轻量的多重注意力对初始特征图像的通道域和空间域依赖关系进行建模,在浅层特征的基础上抽取细粒度高层特征。
具体地,于步骤对初始特征图像的通道域和空间域依赖关系进行建模中,还包括如下步骤:
S201、捕获特征图像中的通道相关性,生成通道域调整权重;
S202、扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
S203、生成多重加权特征图像。
也就是说,在通道注意力分支中,输出通道注意力约束,通过Squeeze-and-excitation(SE)(挤压与激励)捕获特征图像中的通道相关性,生成通道域调整权重,完成特征图像的通道依赖建模;在空间注意力分支中,输出特征图像的空间注意力约束,具体包含了自下而上的前馈扫描和自上而下的反馈步骤,第一个步骤完成全局信息的快速扫描,经过一次max pooling(最大池化)得到包含全局信息的下采样特征图像,进而提取特征图中的关键信息,后一种操作结合初始特征图像,将关键信息还原成初始大小,经过一次双线性插值计算进行上采样,使得输出与输入尺寸相同,并利用sigmoid函数(S型函数)将输出归一化至[0,1]区间,生成特征图像中每个位置的权重值;
在自下而上与自上而下结构中,在降采样后和上采样前分别使用residual unit(残差单元)来增加掩模计算的灵活性;将空间注意力分支的生成的空间域权重作用于通道域加权特征图像,得到混合注意力约束,并采用残差学习思想避免多重加权造成特征图像信息损失,即将初始特征图与多重加权结果相加得到最终的多重加权特征图像,作为多重注意力模块的输出。
较佳地,于步骤扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值中,还包括如下步骤:
S2021、对输出的特征图像信息进行归一化处理。
换言之,结合初始特征图像,将关键信息还原成初始大小,经过一次双线性插值计算进行上采样,使得输出与输入尺寸相同,并利用sigmoid函数(S型函数)将输出归一化至[0,1]区间,生成特征图像中每个位置的权重值。
具体地,于步骤生成烟草病害类别数据中,还包括如下步骤:
S31、将特征图像张量压缩为一维特征向量;
S32、生成特征向量与输出类别之间的映射。
也就是说,在本发明实施例中,通过Global Average Pooling(全局平均池化)层将特征图张量压缩成一维特征向量,再通过全连接层完成特征向量与输出类别之间的映射。
具体地,在本发明优选实施例中,主要包括预训练模型、多重注意力模块,以及Global Average Pooling(全局平均池化)层和全连接层。其中预训练模型采用在ImageNet数据集上训练好的InceptionV3模型,所述的多重注意力模块包括两个分支:通道注意力分支和空间注意力分支。
在优选实施例中,其具体工作原理如下:
首先,通过预训练模型打破小规模数据集的限制,处理病害图像提供初始特征图,得到病害图像的浅层特征。
然后,通过轻量的多重注意力模块对初始特征图的通道域和空间域依赖关系进行建模,在浅层特征的基础上抽取细粒度高层特征,具体地,其中通道注意力分支输出通道注意力约束,通过Squeeze-and-excitation(SE) (挤压与激励)模块捕获特征图中的通道相关性,生成通道域调整权重 ,完成特征图的通道依赖建模;
通过空间注意力分支输出特征图的空间注意力约束,具体包含了自下而上的前馈扫描和自上而下的反馈步骤,第一个步骤完成全局信息的快速扫描,经过一次maxpooling(最大池化)得到包含全局信息的下采样特征图,提取特征图中的关键信息,后一种操作结合初始特征图将关键信息还原成初始大小,经过一次双线性插值计算进行上采样,使得输出与输入尺寸相同,并利用sigmoid函数(S型函数)将输出归一化至[0,1]区间生成特征图中每个位置的权重值;
较佳地,在自下而上与自上而下结构中,在降采样后和上采样前分别使用residualunit(残差单元)来增加掩模计算的灵活性;将空间注意力分支的生成的空间域权重作用于通道域加权特征图,得到混合注意力约束,即每个通道的多重加权特征图计算方法为:;并采用残差学习思想避免多重加权造成特征图信息损失,即将初始特征图与多重加权结果相加得到最终的多重加权特征图,作为多重注意力模块的输出。
最后,通过Global Average Pooling(全局平均池化)层将特征图张量压缩成一维特征向量,再通过全连接层完成特征向量与输出类别之间的映射。
为实现上述目的,本发明还提供一种烟草病害识别系统,如图2所示,所述的系统具体包括:
获取单元,用于获取烟草病害浅层特征数据;
抽取单元,用于根据浅层特征数据,抽取细粒度高层特征信息;
生成单元,用于生成烟草病害类别数据。
也就是说,通过所述的获取单元,获取烟草病害浅层特征数据;再通过所述的抽取单元,根据浅层特征数据,抽取细粒度高层特征信息,即在浅层特征的基础上抽取细粒度高层特征,最后通过所述的生成单元,根据细粒度高层特征信息,结合相应的权重生成生成烟草病害类别数据。
具体地,所述的系统还包括:
获取模块,用于获取烟草病害初始特征图像;
也就是说,在本发明实施例中,首先,通过预训练模型打破小规模数据集的限制,处理病害图像提供初始特征图像,通过所述的获取模块,得到病害图像的浅层特征。
所述的抽取单元中,还包括建模模块,所述的建模模块,用于对初始特征图像的通道域和空间域依赖关系进行建模;
换言之,在获取烟草病害初始特征图像后,于所述的建模模块,通过轻量的多重注意力对初始特征图像的通道域和空间域依赖关系进行建模,在浅层特征的基础上抽取细粒度高层特征。
所述的建模模块中,还包括:捕获模块、扫描模块和第一生成模块;
所述的捕获模块,用于捕获特征图像中的通道相关性,生成通道域调整权重;
所述的扫描模块,用于扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
所述的第一生成模块,用于生成多重加权特征图像;
也就是说,所述的建模模块的各个模块中(即捕获模块、扫描模块和第一生成模块),具体地,于通道注意力分支,输出通道注意力约束,通过Squeeze-and-excitation(SE)(挤压与激励)捕获特征图像中的通道相关性,生成通道域调整权重,完成特征图像的通道依赖建模;在空间注意力分支中,输出特征图像的空间注意力约束,具体包含了自下而上的前馈扫描和自上而下的反馈步骤,第一个步骤完成全局信息的快速扫描,经过一次max pooling(最大池化)得到包含全局信息的下采样特征图像,进而提取特征图中的关键信息,后一种操作结合初始特征图像,将关键信息还原成初始大小,经过一次双线性插值计算进行上采样,使得输出与输入尺寸相同,并利用sigmoid函数(S型函数)将输出归一化至[0,1]区间,生成特征图像中每个位置的权重值;
在自下而上与自上而下结构中,在降采样后和上采样前分别使用residual unit(残差单元)来增加掩模计算的灵活性;将空间注意力分支的生成的空间域权重作用于通道域加权特征图像,得到混合注意力约束,并采用残差学习思想避免多重加权造成特征图像信息损失,即将初始特征图与多重加权结果相加得到最终的多重加权特征图像,作为多重注意力模块的输出。
所述的捕获模块中,还包括:归一化模块,用于对输出的特征图像信息进行归一化处理;
也就是说,结合初始特征图像,将关键信息还原成初始大小,经过一次双线性插值计算进行上采样,使得输出与输入尺寸相同,于归一化模块中,利用sigmoid函数(S型函数)将输出归一化至[0,1]区间,生成特征图像中每个位置的权重值。
具体地,所述的生成单元中,还包括压缩模块和第二生成模块;
所述的压缩模块,用于将特征图像张量压缩为一维特征向量;所述的第二生成模块,用于生成特征向量与输出类别之间的映射。
也就是说,在本发明实施例中,于所述的压缩模块,Global Average Pooling(全局平均池化)层将特征图张量压缩成一维特征向量,再于所述的第二生成模块,全连接层完成特征向量与输出类别之间的映射。
本发明系统优选实施例与方法相同,步骤具体细节已在上文阐述,此处不再赘述。
为实现上述目的,本发明还提供一种烟草病害识别平台,如图3所示,包括:
处理器、存储器以及烟草病害识别平台控制程序;
其中在所述的处理器执行所述的烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序被存储在所述存储器中,所述的烟草病害识别平台控制程序,实现所述的烟草病害识别方法步骤,例如:
S1、获取烟草病害浅层特征数据;
S2、根据浅层特征数据,抽取细粒度高层特征信息;
S3、生成烟草病害类别数据。
步骤具体细节已在上文阐述,此处不再赘述。
本发明实施例中,所述的烟草病害识别平台内置处理器,可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器利用各种接口和线路连接取各个部件,通过运行或执行存储在存储器内的程序或者单元,以及调用存储在存储器内的数据,以执行烟草病害识别各种功能和处理数据;
存储器用于存储程序代码和各种数据,安装在烟草病害识别平台中,并在运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器包括只读存储器(Read-Only Memory,ROM),随机存储器(RandomAccess Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
为实现上述目的,本发明还提供一种计算机可读取存储介质,如图4所示,所述计算机可读取存储介质存储有烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序,实现所述的烟草病害识别方法步骤,例如:
S1、获取烟草病害浅层特征数据;
S2、根据浅层特征数据,抽取细粒度高层特征信息;
S3、生成烟草病害类别数据。
步骤具体细节已在上文阐述,此处不再赘述。
在本发明的实施方式的描述中,需要说明的是,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读取介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。
另外,计算机可读取介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
为实现上述目的,本发明还提供一种芯片系统,所述芯片系统包括至少一个处理器,当程序指令在所述至少一个处理器中执行时,使得所述芯片系统执行所述的烟草病害识别方法步骤,例如:
S1、获取警情数据;
S2、分析转化警情数据;
S3、生成烟草病害识别实时信息。
步骤具体细节已在上文阐述,此处不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明方案,通过一种烟草病害识别方法、系统、平台及存储介质,可以实现实时掌握烟草病害类别的识别,便于实时掌握烟草的生长态势;
其次,通过本发明方案,在打破小规模数据集限制的同时,实现了对病害图像细粒度特征的提取,解决了数据规模小的问题,还有效避免了现有技术中模型出现过拟合。
也就是说,与现有技术相比,基于多重注意力机制的分类网络根据烟草早期病害数据集的特点进行了针对性设计,在打破小规模数据集限制的同时,实现了图像细粒度特征的提取。
首先,使用迁移学习获取初始特征图解决数据规模小的问题;
其次,在初始特征图基础上添加轻量的多重注意力模块,在预训练模型提供的浅层特征基础上有效提取了图像的细粒度特征,同时轻量化设计有效避免了模型出现过拟合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种烟草病害识别方法,其特征在于,所述的方法具体包括如下步骤:
获取烟草病害浅层特征数据;
根据浅层特征数据,抽取细粒度高层特征信息;
生成烟草病害类别数据。
2.根据权利要求1所述的一种烟草病害识别方法,其特征在于,于步骤获取烟草病害浅层特征数据之前,还包括如下步骤:
获取烟草病害初始特征图像。
3.根据权利要求1所述的一种烟草病害识别方法,其特征在于,于步骤根据浅层特征数据,抽取细粒度高层特征信息中,还包括如下步骤:
对初始特征图像的通道域和空间域依赖关系进行建模。
4.根据权利要求3所述的一种烟草病害识别方法,其特征在于,于步骤对初始特征图像的通道域和空间域依赖关系进行建模中,还包括如下步骤:
捕获特征图像中的通道相关性,生成通道域调整权重;
扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
生成多重加权特征图像。
5.根据权利要求4所述的一种烟草病害识别方法,其特征在于,于步骤扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值中,还包括如下步骤:
对输出的特征图像信息进行归一化处理。
6.根据权利要求1所述的一种烟草病害识别方法,其特征在于,于步骤生成烟草病害类别数据中,还包括如下步骤:
将特征图像张量压缩为一维特征向量;
生成特征向量与输出类别之间的映射。
7.一种烟草病害识别系统,其特征在于,所述的系统具体包括:
获取单元,用于获取烟草病害浅层特征数据;
抽取单元,用于根据浅层特征数据,抽取细粒度高层特征信息;
生成单元,用于生成烟草病害类别数据。
8.根据权利要求7所述的一种烟草病害识别系统,其特征在于,所述的系统还包括:
获取模块,用于获取烟草病害初始特征图像;
所述的抽取单元中,还包括建模模块,所述的建模模块,用于对初始特征图像的通道域和空间域依赖关系进行建模;
所述的建模模块中,还包括:捕获模块、扫描模块和第一生成模块;
所述的捕获模块,用于捕获特征图像中的通道相关性,生成通道域调整权重;
所述的扫描模块,用于扫描全局信息,并结合初始特征图像对将信息还原处理,生成特征图像中每个位置的权重值;
所述的第一生成模块,用于生成多重加权特征图像;
所述的捕获模块中,还包括:归一化模块,用于对输出的特征图像信息进行归一化处理;
所述的生成单元中,还包括压缩模块和第二生成模块;
所述的压缩模块,用于将特征图像张量压缩为一维特征向量;所述的第二生成模块,用于生成特征向量与输出类别之间的映射。
9.一种烟草病害识别平台,其特征在于,包括:
处理器、存储器以及烟草病害识别平台控制程序;
其中在所述的处理器执行所述的烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序被存储在所述存储器中,所述的烟草病害识别平台控制程序,实现如权利要求1至6中任一项所述的烟草病害识别方法步骤。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质存储有烟草病害识别平台控制程序,所述的烟草病害识别平台控制程序,实现如权利要求1至6中任一项所述的烟草病害识别方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555276.1A CN111709481B (zh) | 2020-06-17 | 2020-06-17 | 一种烟草病害识别方法、系统、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555276.1A CN111709481B (zh) | 2020-06-17 | 2020-06-17 | 一种烟草病害识别方法、系统、平台及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709481A true CN111709481A (zh) | 2020-09-25 |
CN111709481B CN111709481B (zh) | 2023-12-12 |
Family
ID=72540871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010555276.1A Active CN111709481B (zh) | 2020-06-17 | 2020-06-17 | 一种烟草病害识别方法、系统、平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709481B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN116630960A (zh) * | 2023-04-26 | 2023-08-22 | 华中农业大学 | 基于纹理-颜色多尺度残差收缩网络的玉米病害识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
US20150109303A1 (en) * | 2013-10-23 | 2015-04-23 | Cornell University | Systems and methods for computational lighting |
CN105631401A (zh) * | 2015-12-11 | 2016-06-01 | 中国烟草总公司广东省公司 | 一种基于遥感和地理信息的烟田烟草品质监测预报方法 |
US20180253600A1 (en) * | 2017-03-02 | 2018-09-06 | Basecamp Networks, LLC | Automated diagnosis and treatment of crop infestations |
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109559297A (zh) * | 2018-11-15 | 2019-04-02 | 大连大学 | 一种基于三维区域生成网络的肺结节检测的方法 |
US20190274542A1 (en) * | 2018-03-06 | 2019-09-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer readable medium |
WO2019223397A1 (zh) * | 2018-05-23 | 2019-11-28 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、计算机设备和计算机存储介质 |
CN110569858A (zh) * | 2019-08-27 | 2019-12-13 | 厦门中软海晟信息技术有限公司 | 一种基于深度学习算法的烟叶病虫害识别方法 |
CN111079602A (zh) * | 2019-12-06 | 2020-04-28 | 长沙千视通智能科技有限公司 | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
KR20200060102A (ko) * | 2018-11-22 | 2020-05-29 | 삼성전자주식회사 | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 |
WO2020260671A1 (en) * | 2019-06-26 | 2020-12-30 | Cerebriu A/S | An improved medical scan protocol for in-scanner patient data acquisition analysis |
-
2020
- 2020-06-17 CN CN202010555276.1A patent/CN111709481B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
US20150109303A1 (en) * | 2013-10-23 | 2015-04-23 | Cornell University | Systems and methods for computational lighting |
CN105631401A (zh) * | 2015-12-11 | 2016-06-01 | 中国烟草总公司广东省公司 | 一种基于遥感和地理信息的烟田烟草品质监测预报方法 |
US20180253600A1 (en) * | 2017-03-02 | 2018-09-06 | Basecamp Networks, LLC | Automated diagnosis and treatment of crop infestations |
US20190274542A1 (en) * | 2018-03-06 | 2019-09-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer readable medium |
WO2019223397A1 (zh) * | 2018-05-23 | 2019-11-28 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、计算机设备和计算机存储介质 |
CN109360206A (zh) * | 2018-09-08 | 2019-02-19 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109559297A (zh) * | 2018-11-15 | 2019-04-02 | 大连大学 | 一种基于三维区域生成网络的肺结节检测的方法 |
KR20200060102A (ko) * | 2018-11-22 | 2020-05-29 | 삼성전자주식회사 | 진단 영상을 생성하고, 디스플레이하는 자기 공명 영상 장치 및 그 동작 방법 |
WO2020260671A1 (en) * | 2019-06-26 | 2020-12-30 | Cerebriu A/S | An improved medical scan protocol for in-scanner patient data acquisition analysis |
CN110569858A (zh) * | 2019-08-27 | 2019-12-13 | 厦门中软海晟信息技术有限公司 | 一种基于深度学习算法的烟叶病虫害识别方法 |
CN111079602A (zh) * | 2019-12-06 | 2020-04-28 | 长沙千视通智能科技有限公司 | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
杨晓莉等: "一种注意力机制的多波段图像特征级融合方法", 《西安电子科技大学学报》 * |
杨晓莉等: "一种注意力机制的多波段图像特征级融合方法", 《西安电子科技大学学报》, no. 01, 29 February 2020 (2020-02-29), pages 120 - 127 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
CN112883873B (zh) * | 2021-02-22 | 2023-08-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
CN116630960A (zh) * | 2023-04-26 | 2023-08-22 | 华中农业大学 | 基于纹理-颜色多尺度残差收缩网络的玉米病害识别方法 |
CN116630960B (zh) * | 2023-04-26 | 2024-02-20 | 华中农业大学 | 基于纹理-颜色多尺度残差收缩网络的玉米病害识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709481B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12087097B2 (en) | Image recognition method and apparatus, computer-readable storage medium, and electronic device | |
CN111709481A (zh) | 一种烟草病害识别方法、系统、平台及存储介质 | |
US10068131B2 (en) | Method and apparatus for recognising expression using expression-gesture dictionary | |
WO2021190296A1 (zh) | 一种动态手势识别方法及设备 | |
Ghosh et al. | Feature selection for facial emotion recognition using late hill-climbing based memetic algorithm | |
CN109934173A (zh) | 表情识别方法、装置及电子设备 | |
CN109034206A (zh) | 图像分类识别方法、装置、电子设备及计算机可读介质 | |
Aich et al. | Improving object counting with heatmap regulation | |
CN111695392A (zh) | 基于级联的深层卷积神经网络的人脸识别方法及系统 | |
CN112052792B (zh) | 一种跨模型人脸识别方法、装置、设备及介质 | |
CN109801275B (zh) | 基于图像识别的马铃薯病害检测方法和系统 | |
CN112085088A (zh) | 图像处理方法、装置、设备及存储介质 | |
HN et al. | Human Facial Expression Recognition from static images using shape and appearance feature | |
CN116343287A (zh) | 面部表情识别、模型训练方法、装置、设备及存储介质 | |
CN114360053A (zh) | 一种动作识别方法、终端及存储介质 | |
CN114049491A (zh) | 指纹分割模型训练、指纹分割方法、装置、设备及介质 | |
Ni et al. | Diverse local facial behaviors learning from enhanced expression flow for microexpression recognition | |
CN117275086A (zh) | 手势识别方法、装置、计算机设备、存储介质 | |
CN116843952A (zh) | 一种面向果蔬病害识别的小样本学习分类方法 | |
CN116362301A (zh) | 一种模型的量化方法以及相关设备 | |
CN117036658A (zh) | 一种图像处理方法及相关设备 | |
CN112805723B (zh) | 一种图像处理系统、方法以及包括该系统的自动驾驶车辆 | |
CN113822324A (zh) | 基于多任务模型的图像处理方法、装置及相关设备 | |
CN112419249A (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 | |
CN116486184B (zh) | 一种乳腺病理图像识别分类方法、系统、设备及介质 |
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 |