CN111914814A - 小麦锈病检测方法、装置及计算机设备 - Google Patents
小麦锈病检测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111914814A CN111914814A CN202010905327.9A CN202010905327A CN111914814A CN 111914814 A CN111914814 A CN 111914814A CN 202010905327 A CN202010905327 A CN 202010905327A CN 111914814 A CN111914814 A CN 111914814A
- Authority
- CN
- China
- Prior art keywords
- wheat
- picture
- identified
- rust
- image classification
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 414
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 414
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 132
- 238000007477 logistic regression Methods 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 239000010902 straw Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 206010038776 Retching Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 241000221785 Erysiphales Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及人工智能技术领域，提供了一种小麦锈病检测方法，包括：获取待识别小麦图片，将待识别小麦图片输入至预设的第一图像分类模型中；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本发明实施例可以识别小麦是否发生锈病。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种小麦锈病检测、装置及计算机设备。
背景技术
麦锈病是我国小麦生产中的三大主要病害之一(其余两个为赤霉病和白粉病)。小麦锈病如不能及时发现，及时防治，会造成严重减产甚至没有收成，造成巨大的经济损失。
传统的小麦锈病的及时止损主要依赖着有经验的农户恰巧发现了可疑的带病小麦，并咨询专家后确定小麦的病种，然后加以医治。这个过程中任何一个不确定因素造成的时间的延迟，都会导致农户的经济损失。随着手机等数码产品的普及，专家和农作物之间的距离变得近了许多。但是如若仅仅依赖专家来发现小麦锈病和诊断小麦锈病，其速度并不能得到保证。在农作物发病初期，对于大规模的现代农业来讲，农户能及时恰巧发现可疑的带病小麦是一件困难的事情，特别是农户需要管理的农作物相当多的时候。
发明内容
有鉴于此，本发明实施例的目的是提供一种小麦锈病检测方法、装置、计算机设备及计算机可读存储介质，用于现有的方法不能及时准确地发现小麦锈病的问题。
为实现上述目的，本发明实施例提供了一种小麦锈病检测方法，包括：
获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
可选地，所述小麦锈病检测方法还包括：
获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息；
将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦；
将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。
可选地，所述第一卷积神经网络模型为EfficientNet-B0网络，所述第二卷积神经网络模型为EfficientNet-B3网络，所述EfficientNet-B0网络和所述EfficientNet-B3网络的目标函数都为交叉熵损失函数，交叉熵损失函数具体为：
可选地，所述小麦锈病检测方法还包括：
在所述待识别小麦图片为锈病小麦的分类结果为健康小麦图片时，发送提醒消息通知用户输出所述分类结果至用户终端，以供所述用户终端显示所述分类结果。
可选地，所述小麦锈病检测方法还包括：
在所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户终端。
可选地，所述小麦锈病检测方法还包括：
将所述待识别小麦图片的识别结果上传至区块链中。
为实现上述目的，本发明实施例还提供了一种小麦锈病检测装置，包括：
获取模块，用于获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
提取模块，用于通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
输入模块，用于在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
识别模块，用于通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
可选地，所述小麦锈病检测装置还包括：
上传模块，用于将所述待识别小麦图片的识别结果上传至区块链中。
为实现上述目的，本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的小麦锈病检测方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的小麦锈病检测方法的步骤。
本发明实施例提供的小麦锈病检测方法、装置、计算机设备及计算机可读存储介质，通过获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本发明实施例通过预先训练用于将图片分为健康小麦以及锈病小麦的第一图像分类网络模型，以及用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦的第二图像分类网络模型，这样在获取到待识别小麦图片之后，即可以通过该第一图像分类网络模型和第二图像分类网络模型来及时准确地识别小麦是否发生锈病，此外，由于获取到的小麦图片是通过农机上安装的摄像头采集到的或通过无人机采集到的，因此，通过本实施例的方法相对于人工的方式获取，可以降低人力成本。
附图说明
图1为本发明小麦锈病检测方法的一实施方式的步骤流程示意图。
图2为本发明小麦锈病检测方法的另一实施方式的步骤流程示意图。
图3为本发明小麦锈病检测方法的另一实施方式的步骤流程示意图。
图4为本发明一实施方式的小麦锈病检测装置的程序模块示意图。
图5为本发明一实施方式的计算机设备的硬件结构示意图。
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
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。
参阅图1，示出了本发明实施例一之小麦锈病检测方法的流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以小麦锈病检测装置(下文以“检测装置”简称)为执行主体进行示例性描述，所述检测装置可以应用于计算机设备中，所述计算机设备可以是移动电话、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)、服务器等具有数据传输功能的设备。具体如下：
步骤S10，获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的。
具体地，该待识别小麦图片可以为安装在农机上的合适的位置处的车载摄像头，在农机的每次出行时所采集的图片，并在采集到图片时，实时或者定时上传至服务器，从而可以从服务器中获取该待识别小麦图片。该待识别小麦图片，也可以是在农机出行结束后，由用户将采集到的图片上传至服务器，从而可以从服务器中获取待识别小麦图片。该待识别小麦图片也可以是由无人机在小麦作物上方完成拍摄后，并将拍摄到的图片上传至服务器，从而，可以从服务器中获取到该待识别小麦图片。
在获取到待识别小麦图片之后，可以将该图片输入至预设的第一图像分类模型，以通过该第一图像分类模型识别出该待识别小麦图片是健康小麦的图片还是锈病小麦的图片。其中，该第一图像分类模型为预先训练好的用于将输入至该第一图像分类模型中的待识别小麦图片分类成健康小麦或锈病小麦的模型。
步骤S11，通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果。
具体地，该第一图像分类模型按照功能可以划分为特征提取层和逻辑回归层，其中，特征提取层用于从待识别小麦图片中提取第一图像特征，该第一图像特征为模型经过训练后所学习到的用于表征该待识别的小麦图像的特征。逻辑回归层用于对提取到的所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果。在本实施例中，逻辑回归层在对所述第一图像特征进行逻辑回归计算时，可以通过Sigmoid函数实现。
步骤S12，在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中。
具体地，在识别出该待识别小麦图片为锈病小麦的图片，则需要进一步将该待识别小麦图片输入至所述第二图像分类模型中进行识别，以通过该第二图像分类模型识别出该待识别小麦图片是条锈小麦的图片、还是叶锈小麦的图片，或者是杆锈小麦的图片。
其中，所述第二图像分类模型为预先训练好的用于将输入至该第二图像分类模型中的待识别小麦图片分类成条锈小麦、叶锈小麦、或者杆锈小麦的模型。
在一实施方式中，当该待识别小麦图片的分类结果为健康小麦时，则无需再将该识别的小麦图片输入至第二图像分类模型中进行识别，而是可以直接输出该分类结果至用户终端，以供用户终端显示所述分类结果。本实施例中通过在分类结果为健康小麦时，直接将分类结果输出至用户终端进行显示，而无需再将该识别的小麦图片输入至第二图像分类模型中进行处理，从而可以节省计算资源，以及可以使得用户可以及时查看到待识别小麦图片的识别结果。
步骤S13，通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
具体地，该第二图像分类模型按照功能也可以划分为特征提取层和逻辑回归层，其中，特征提取层用于从待识别小麦图片中提取第二图像特征，该第二图像特征为模型经过训练后所学习到的用于表征该待识别的小麦图像的特征。逻辑回归层用于对提取到的所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。在本实施例中，逻辑回归层在对所述第二图像特征进行逻辑回归计算时，也可以通过Sigmoid函数实现。
本发明实施例通过获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本发明实施例通过预先训练用于将图片分为健康小麦以及锈病小麦的第一图像分类网络模型，以及用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦的第二图像分类网络模型，这样在获取到待识别小麦图片之后，即可以通过该第一图像分类网络模型和第二图像分类网络模型来及时准确地识别小麦是否发生锈病，此外，由于获取到的小麦图片是通过农机上安装的摄像头采集到的或通过无人机采集到的，因此，通过本实施例的方法相对于人工的方式获取，可以降低人力成本。
在一示例性的实施方式中，参照图2，示出了本发明实施例另一小麦锈病检测方法的流程图。在本实施例中，所述小麦锈病检测方法包括：
步骤S20，获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息。
具体地，可以预先收集若干张健康小麦的图片和若干张锈病小麦的图片，其中，收集的若干张锈病小麦的图片中需要包含有条锈病小麦的图片、叶锈病小麦的图片和杆锈病小麦的图片。本实施例中，在收集小麦图片时，可以采用人工的方式进行收集，也可以采用预设的模型从图片库中挑出符合需求的小麦图片。
在收集到健康小麦的图片以及锈病小麦的图片之后，可以对收集的小麦图片进行标注，使得每张图片都携带有标签信息。其中，标签信息用于指明图片的类型，比如，若当前图片为健康的小麦图片，则可以打上标签“1”；若当前图片为条锈的图片，则可以打上标签“2”；若当前图片为叶锈的图片，则可以打上标签“3”；若当前图片为杆锈的图片，则可以打上标签“4”。需要说明的是，上述标签信息为示例性的，在本发明其他实施例中，也若当前图片为健康的小麦图片，则可以打上标签“健康”；若当前图片为条锈的图片，则可以打上标签“条锈”；若当前图片为叶锈的图片，则可以打上标签“叶锈”；若当前图片为杆锈的图片，则可以打上标签“杆锈”。
在一具体场景中，可以收集健康小麦的图片3000张，收集带锈病小麦的图片3000张，其中包括条锈小麦的图片1000张、叶锈小麦的图片1000张和杆锈小麦的图片1000张。
本实施例中，在完成小麦图片的收集与标注之后，可以将图片统一存入训练样本数据集中，这样在需要采用收集到的图片对模型进行训练时，即可以从该训练样本数据集中获取这些收集到的图片。
步骤S21，将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦。
具体地，第一卷积神经网络模型可以采用目前效果比较好的EfficientNet网络。其中，EfficientNets网络是谷歌大脑的工程师谭明星和首席科学家Quoc V.Le在论文《EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks》中提出。该模型的基础网络架构是通过使用神经网络架构搜索(neural architecture search)设计得到。该网络模型与现有卷积神经网络模型的区别在于，现有的在扩展卷积神经网络模型的时候，一般通过调整输入图像的大小、网络的深度和宽度(卷积通道数，也就是channel数)来实现的。而EfficientNet网络通过提出了一种全新的模型缩放方法，该方法使用简单而高效的复合系数来权衡网络深度、宽度和输入图片分辨率，从而使得网络在效率和准确率上得到优化。
由于该第一图像分类模型需要处理更多的图片，因此，为了提升训练得到的第一图像分类模型对图像分类的准确性，该第一卷积神经网络模型优选可以采用EfficientNet-B0网络。
在一具体应用场景中，在对第一卷积神经网络模型进行训练时，可以采用交叉熵损失函数(cross entropy)作为目标函数对模型进行优化，并且在对第一卷积神经网络模型进行训练的过程中，可以采用梯度下降算法对网络参数进行更新。
在本实施例中，该交叉熵损失函数(cross entropy)具体为：
本发明实施例中，在对第一卷积神经网络进行训练时，通过将包含健康小麦以及锈病小麦的图片输入至对该第一卷积神经网络模型进行不断训练，并在训练过程中不断更新网络中的网络参数，直到模型收敛时，即可以将训练得到的模型作为该第一图像分类网络模型，通过该第一图像分类模型即可以将待分类图片分为健康小麦以及锈病小麦。
在一实施方式中，在得到第一图像分类模型之后，为了提高模型分类的准确性，在得到一图像分类模型之后，可以采用测试样本数据来对该第一图像分类模型的分类效果进行测试，若该第一图像分类模型的分类效果不符合预期，可以继续对该第一图像分类模型进行训练，直达得到符合预期的第一图像分类模型为止。
步骤S22，将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。
具体地，所述第二卷积神经网络模型也可以采取目前效果比较好的EfficientNet网络。优选地，为了提高模型的识别精度，该第二卷积神经网络模型优选为EfficientNet-B3网络。
在一具体应用场景中，在对第二卷积神经网络模型进行训练时，也可以采用交叉熵损失函数(cross entropy)作为目标函数对模型进行优化，并且在对第一卷积神经网络模型进行训练的过程中，可以采用梯度下降算法对网络参数进行更新。
在本实施例中，该交叉熵损失函数(cross entropy)具体为：
发明实施例中，在对第二卷积神经网络进行训练时，通过将包含条锈病小麦的图片、叶锈病小麦的图片和杆锈病小麦的图片输入至对该第二卷积神经网络模型进行不断训练，在训练过程中不断更新网络中的网络参数，直到模型收敛时，即可以将训练得到的模型作为该第二图像分类网络模型，通过该第二图像分类模型即可以将待分类图片分为条锈小麦、叶锈小麦以及杆锈小麦。
在一实施方式中，在得到第二图像分类模型之后，为了提高模型分类的准确性，在得到二图像分类模型之后，也可以采用测试样本数据来对该第二图像分类模型的分类效果进行测试，若该第二图像分类模型的分类效果不符合预期，可以继续对该第二图像分类模型进行训练，直达得到符合预期的第二图像分类模型为止。
步骤S23，获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
步骤S24，通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
步骤S25，在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
步骤S26，通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
具体地，上述步骤S23-S26与步骤S10-S13相同，在本实施例中不再赘述。本发明实施例通过预先训练用于将图片分为健康小麦以及锈病小麦的第一图像分类网络模型，以及用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦的第二图像分类网络模型，这样在获取到待识别小麦图片之后，即可以通过该第一图像分类网络模型和第二图像分类网络模型来及时准确识别小麦是否发生小麦锈病，此外，由于获取到的小麦图片是通过农机上安装的摄像头采集到的或通过无人机采集到的，因此，通过本实施例的方法相对于人工的方式获取，可以降低人力成本。
进一步地，在一示例性的实施方式中，参照图2，示出了本发明实施例另一小麦锈病检测方法的流程图。在本实施例中，所述小麦锈病检测方法包括：
步骤S20，获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息；
步骤S21，将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦；
步骤S22，将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦；
步骤S23，获取待识别小麦图片，将所述待识别小麦图片输入至第一图像分分类模型中，并在所述第一图像分类模型输出的分类结果为锈病小麦时，将所述待识别图片输入至所述第二图像分类模型中，以通过所述第二图像分类模型对所述待识别小麦图片的锈病类型进行识别，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的。
具体地，上述步骤S20-S23与上述实施例中的步骤SS10-S13相同，在本实施例中不再赘述。
步骤S24，在所述待识别小麦图片为锈病小麦的图片时，发送提醒消息通知用户。
具体地，为了使得用户可以及时对有锈病小麦进行处理，可以在识别出所述待识别小麦图片为锈病小麦的图片时，立即发送提醒消息通知用户。在本实施例中，发送提醒消息的方式有多种，比如，通过短信的方式发送提醒消息，或者通过APP的方式发送提醒消息通知用户。在本实施例中不作限定。
进一步地，在一示例性的实施方式中，参照图3，示出了本发明实施例另一小麦锈病检测方法的流程图。在本实施例中，所述小麦锈病检测方法包括：
步骤S30，获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
步骤S31，通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
步骤S32，在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
步骤S33，通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型；
具体地，上述步骤S30-S33与上述实施例中的步骤S10-S13相同，在本实施例中不再赘述。
步骤S34，在所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户终端。
具体地，为了便于用户可以科学有效的对锈病小麦进行处理，可以在识别出所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户。比如，识别出小麦的锈病类型为条锈小麦，则可以发送处理方案A至用户；当出小麦的锈病类型为叶锈小麦，可以发送处理方案B至用户；当识别出小麦的锈病类型为杆锈小麦，则可以发送处理方案C至用户。在一实施方式中，为了用户可以及时查看处理方案，在发送处理方案至用户终端时，还可以同时发送提醒消息通知用户。在本实施例中，发送提醒消息的方式有多种，比如，通过短信的方式发送提醒消息，或者通过APP的方式发送提醒消息通知用户。在本实施例中不作限定。
进一步地，在一示例性的实施方式中，所述小麦锈病检测方法还包括：
将所述待识别小麦图片的识别结果上传至区块链中。
具体地，为了保证所述识别结果的安全性和对用户的公正透明性，可以将得到的识别结果上传至区块链中，然后用户设备可以从区块链中下载得该识别结果，以便查证识别结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
请参阅图4，示出了本发明实施例之小麦锈病检测装置400(以下简称为“检测装置”400)的程序模块示意图。所述检测装置400可以应用于计算机设备中，所述计算机设备可以是移动电话、平板个人计算机(tablet personal computer)、膝上型计算机(laptopcomputer)、服务器等具有数据传输功能的设备。在本实施例中，检测装置400可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述小麦锈病检测方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述小麦锈病检测方法在存储介质中的执行过程。在本实施例中，小麦锈病检测装置400包括获取模块401、提取模块402、输入模块403及识别模块404。以下描述将具体介绍本实施例各程序模块的功能：
获取模块401，用于获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的。
具体地，该待识别小麦图片可以为安装在农机上的合适的位置处的车载摄像头，在农机的每次出行时所采集的图片，并在采集到图片时，实时或者定时上传至服务器，从而可以从服务器中获取该待识别小麦图片。该待识别小麦图片，也可以是在农机出行结束后，由用户将采集到的图片上传至服务器，从而可以从服务器中获取待识别小麦图片。该待识别小麦图片也可以是由无人机在小麦作物上方完成拍摄后，并将拍摄到的图片上传至服务器，从而，可以从服务器中获取到该待识别小麦图片。
在获取到待识别小麦图片之后，可以将该图片输入至预设的第一图像分类模型，以通过该第一图像分类模型识别出该待识别小麦图片是健康小麦的图片还是锈病小麦的图片。其中，该第一图像分类模型为预先训练好的用于将输入至该第一图像分类模型中的待识别小麦图片分类成健康小麦或锈病小麦的模型。
提取模块402，用于通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果。
具体地，该第一图像分类模型按照功能可以划分为特征提取层和逻辑回归层，其中，特征提取层用于从待识别小麦图片中提取第一图像特征，该第一图像特征为模型经过训练后所学习到的用于表征该待识别的小麦图像的特征。逻辑回归层用于对提取到的所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果。在本实施例中，逻辑回归层在对所述第一图像特征进行逻辑回归计算时，可以通过Sigmoid函数实现。
输入模块403，用于在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中。
具体地，在识别出该待识别小麦图片为锈病小麦的图片，则需要进一步将该待识别小麦图片输入至所述第二图像分类模型中进行识别，以通过该第二图像分类模型识别出该待识别小麦图片是条锈小麦的图片、还是叶锈小麦的图片，或者是杆锈小麦的图片。
其中，所述第二图像分类模型为预先训练好的用于将输入至该第二图像分类模型中的待识别小麦图片分类成条锈小麦、叶锈小麦、或者杆锈小麦的模型。
在一实施方式中，当该待识别小麦图片的分类结果为健康小麦时，则无需再将该识别的小麦图片输入至第二图像分类模型中进行识别，而是可以直接输出该分类结果至用户终端，以供用户终端显示所述分类结果。本实施例中通过在分类结果为健康小麦时，直接将分类结果输出至用户终端进行显示，而无需再将该识别的小麦图片输入至第二图像分类模型中进行处理，从而可以节省计算资源，以及可以使得用户可以及时查看到待识别小麦图片的识别结果。
识别模块404，用于通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
具体地，该第二图像分类模型按照功能也可以划分为特征提取层和逻辑回归层，其中，特征提取层用于从待识别小麦图片中提取第二图像特征，该第二图像特征为模型经过训练后所学习到的用于表征该待识别的小麦图像的特征。逻辑回归层用于对提取到的所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。在本实施例中，逻辑回归层在对所述第二图像特征进行逻辑回归计算时，也可以通过Sigmoid函数实现。
本发明实施例通过获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。本发明实施例通过预先训练用于将图片分为健康小麦以及锈病小麦的第一图像分类网络模型，以及用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦的第二图像分类网络模型，这样在获取到待识别小麦图片之后，即可以通过该第一图像分类网络模型和第二图像分类网络模型来及时准确地识别小麦是否发生锈病，此外，由于获取到的小麦图片是通过农机上安装的摄像头采集到的或通过无人机采集到的，因此，通过本实施例的方法相对于人工的方式获取，可以降低人力成本。
进一步地，在一示例性的实施方式中，所述检测装置400还包括：样本获取模块、训练模块。
样本获取模块，用于获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息。
具体地，可以预先收集若干张健康小麦的图片和若干张锈病小麦的图片，其中，收集的若干张锈病小麦的图片中需要包含有条锈病小麦的图片、叶锈病小麦的图片和杆锈病小麦的图片。本实施例中，在收集小麦图片时，可以采用人工的方式进行收集，也可以采用预设的模型从图片库中挑出符合需求的小麦图片。
在收集到健康小麦的图片以及锈病小麦的图片之后，可以对收集的小麦图片进行标注，使得每张图片都携带有标签信息。其中，标签信息用于指明图片的类型，比如，若当前图片为健康的小麦图片，则可以打上标签“1”；若当前图片为条锈的图片，则可以打上标签“2”；若当前图片为叶锈的图片，则可以打上标签“3”；若当前图片为杆锈的图片，则可以打上标签“4”。需要说明的是，上述标签信息为示例性的，在本发明其他实施例中，也若当前图片为健康的小麦图片，则可以打上标签“健康”；若当前图片为条锈的图片，则可以打上标签“条锈”；若当前图片为叶锈的图片，则可以打上标签“叶锈”；若当前图片为杆锈的图片，则可以打上标签“杆锈”。
在一具体场景中，可以收集健康小麦的图片3000张，收集带锈病小麦的图片3000张，其中包括条锈小麦的图片1000张、叶锈小麦的图片1000张和杆锈小麦的图片1000张。
本实施例中，在完成小麦图片的收集与标注之后，可以将图片统一存入训练样本数据集中，这样在需要采用收集到的图片对模型进行训练时，即可以从该训练样本数据集中获取这些收集到的图片。
训练模块，用于将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦。
具体地，第一卷积神经网络模型可以采用目前效果比较好的EfficientNet网络。其中，EfficientNets网络是谷歌大脑的工程师谭明星和首席科学家Quoc V.Le在论文《EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks》中提出。该模型的基础网络架构是通过使用神经网络架构搜索(neural architecture search)设计得到。该网络模型与现有卷积神经网络模型的区别在于，现有的在扩展卷积神经网络模型的时候，一般通过调整输入图像的大小、网络的深度和宽度(卷积通道数，也就是channel数)来实现的。而EfficientNet网络通过提出了一种全新的模型缩放方法，该方法使用简单而高效的复合系数来权衡网络深度、宽度和输入图片分辨率，从而使得网络在效率和准确率上得到优化。
由于该第一图像分类模型需要处理更多的图片，因此，为了提升训练得到的第一图像分类模型对图像分类的准确性，该第一卷积神经网络模型优选可以采用EfficientNet-B0网络。
在一具体应用场景中，在对第一卷积神经网络模型进行训练时，可以采用交叉熵损失函数(cross entropy)作为目标函数对模型进行优化，并且在对第一卷积神经网络模型进行训练的过程中，可以采用梯度下降算法对网络参数进行更新。
在本实施例中，该交叉熵损失函数(cross entropy)具体为：
本发明实施例中，在对第一卷积神经网络进行训练时，通过将包含健康小麦以及锈病小麦的图片输入至对该第一卷积神经网络模型进行不断训练，并在训练过程中不断更新网络中的网络参数，直到模型收敛时，即可以将训练得到的模型作为该第一图像分类网络模型，通过该第一图像分类模型即可以将待分类图片分为健康小麦以及锈病小麦。
在一实施方式中，在得到第一图像分类模型之后，为了提高模型分类的准确性，在得到一图像分类模型之后，可以采用测试样本数据来对该第一图像分类模型的分类效果进行测试，若该第一图像分类模型的分类效果不符合预期，可以继续对该第一图像分类模型进行训练，直达得到符合预期的第一图像分类模型为止。
所述训练模块，还用于将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。
具体地，所述第二卷积神经网络模型也可以采取目前效果比较好的EfficientNet网络。优选地，为了提高模型的识别精度，该第二卷积神经网络模型优选为EfficientNet-B3网络。
在一具体应用场景中，在对第二卷积神经网络模型进行训练时，也可以采用交叉熵损失函数(cross entropy)作为目标函数对模型进行优化，并且在对第一卷积神经网络模型进行训练的过程中，可以采用梯度下降算法对网络参数进行更新。
在本实施例中，该交叉熵损失函数(cross entropy)具体为：
发明实施例中，在对第二卷积神经网络进行训练时，通过将包含条锈病小麦的图片、叶锈病小麦的图片和杆锈病小麦的图片输入至对该第二卷积神经网络模型进行不断训练，在训练过程中不断更新网络中的网络参数，直到模型收敛时，即可以将训练得到的模型作为该第二图像分类网络模型，通过该第二图像分类模型即可以将待分类图片分为条锈小麦、叶锈小麦以及杆锈小麦。
在一实施方式中，在得到第二图像分类模型之后，为了提高模型分类的准确性，在得到二图像分类模型之后，也可以采用测试样本数据来对该第二图像分类模型的分类效果进行测试，若该第二图像分类模型的分类效果不符合预期，可以继续对该第二图像分类模型进行训练，直达得到符合预期的第二图像分类模型为止。
进一步地，在一示例性的实施方式中，所述检测装置400还包括：发送模块。
所述发送模块，用于在所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户终端。
具体地，为了便于用户可以科学有效的对锈病小麦进行处理，可以在识别出所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户。比如，识别出小麦的锈病类型为条锈小麦，则可以发送处理方案A至用户；当出小麦的锈病类型为叶锈小麦，可以发送处理方案B至用户；当识别出小麦的锈病类型为杆锈小麦，则可以发送处理方案C至用户。在一实施方式中，为了用户可以及时查看处理方案，在发送处理方案至用户终端时，还可以同时发送提醒消息通知用户。在本实施例中，发送提醒消息的方式有多种，比如，通过短信的方式发送提醒消息，或者通过APP的方式发送提醒消息通知用户。在本实施例中不作限定。
进一步地，在一示例性的实施方式中，所述检测装置400还包括：上传模块。
所述上传模块，用于将所述待识别小麦图片的识别结果上传至区块链中。
具体地，为了保证所述识别结果的安全性和对用户的公正透明性，可以将得到的识别结果上传至区块链中，然后用户设备可以从区块链中下载得该识别结果，以便查证识别结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
参阅图5，是本发明实施例之计算机设备500的硬件架构示意图。在本实施例中，所述计算机设备500是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。如图所示，所述计算机设备500至少包括，但不限于，可通过装置总线相互通信连接存储器501、处理器502、网络接口503。其中：
本实施例中，存储器501至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器501可以是计算机设备500的内部存储单元，例如所述计算机设备500的硬盘或内存。在另一些实施例中，存储器501也可以是计算机设备500的外部存储设备，例如所述计算机设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器501还可以既包括计算机设备500的内部存储单元也包括其外部存储设备。本实施例中，存储器501通常用于存储安装于计算机设备500的操作装置和各类应用软件，例如小麦锈病检测装置400的程序代码等。此外，存储器501还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器502在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器502通常用于控制计算机设备500的总体操作。本实施例中，处理器502用于运行存储器501中存储的程序代码或者处理数据，例如运行小麦锈病检测装置400，以实现上述各个实施例中的小麦锈病检测方法。
所述网络接口503可包括无线网络接口或有线网络接口，所述网络接口503通常用于在所述计算机设备500与其他电子装置之间建立通信连接。例如，所述网络接口503用于通过网络将所述计算机设备500与外部终端相连，在所述计算机设备500与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯装置(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图5仅示出了具有部件501-503的计算机设备500，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器501中的所述小麦锈病检测装置400还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器501中，并由一个或多个处理器(本实施例为处理器502)所执行，以完成本发明之小麦锈病检测方法。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储小麦锈病检测装置400，以被处理器执行时实现本发明之小麦锈病检测方法。
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。
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。
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 (10)
1.一种小麦锈病检测方法，其特征在于，包括：
获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
2.如权利要求1所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
获取训练样本数据集，所述训练样本数据集包括多张健康小麦的图片以及多张锈病小麦的图片，每张图片中都携带有标签信息；
将所述训练样本数据集中的图片输入至第一卷积神经网络模型中进行训练，得到第一图像分类网络模型，其中，该第一图像分类网络模型用于将图片分为健康小麦以及锈病小麦；
将所述训练样本数据集中的多张锈病小麦的图片输入至第二卷积神经网络模型中进行训练，得到第二图像分类网络模型，其中，该第二图像分类网络模型用于将图片分为条锈小麦、叶锈小麦以及杆锈小麦。
3.如权利要求2所述的小麦锈病检测方法，其特征在于，所述第一卷积神经网络模型为EfficientNet-B0网络，所述第二卷积神经网络模型为EfficientNet-B3网络，所述EfficientNet-B0网络和所述EfficientNet-B3网络的目标函数都为交叉熵损失函数，交叉熵损失函数具体为：
4.如权利要求1至3任一项所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
在所述分类结果为健康小麦时，输出所述分类结果至用户终端，以供所述用户终端显示所述分类结果。
5.如权利要求1至4任一项所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
在所述待识别小麦图片为锈病小麦的图片时，根据识别出的锈病类型发送对应的处理方案至用户终端。
6.如权利要求1至4任一项所述的小麦锈病检测方法，其特征在于，所述小麦锈病检测方法还包括：
将所述待识别小麦图片的识别结果上传至区块链中。
7.一种小麦锈病检测装置，其特征在于，包括：
获取模块，用于获取待识别小麦图片，将所述待识别小麦图片输入至预设的第一图像分类模型中，其中，所述待识别小麦图片为通过农机上安装的摄像头采集到的或通过无人机采集到的；
提取模块，用于通过所述第一图像分类模型的特征提取层提取出所述待识别小麦图片的第一图像特征，以及通过第一图像分类模型的逻辑回归层对所述第一图像特征进行逻辑回归计算得到所述待识别小麦图片的分类结果；
输入模块，用于在所述分类结果为锈病小麦时，将所述待识别图片输入至预设的第二图像分类模型中；
识别模块，用于通过所述第二图像分类模型的特征提取层提取出所述待识别小麦图片的第二图像特征，以及通过第二图像分类模型的逻辑回归层对所述第二图像特征进行逻辑回归计算得到所述待识别小麦图片的锈病类型。
8.如权利要求7所述的小麦锈病检测装置，其特征在于，所述小麦锈病检测装置还包括：
上传模块，用于将所述待识别小麦图片的识别结果上传至区块链中。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的小麦锈病检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1-6中任一项所述的小麦锈病检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905327.9A CN111914814A (zh) | 2020-09-01 | 2020-09-01 | 小麦锈病检测方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010905327.9A CN111914814A (zh) | 2020-09-01 | 2020-09-01 | 小麦锈病检测方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111914814A true CN111914814A (zh) | 2020-11-10 |
Family
ID=73266124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010905327.9A Pending CN111914814A (zh) | 2020-09-01 | 2020-09-01 | 小麦锈病检测方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914814A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348808A (zh) * | 2020-11-30 | 2021-02-09 | 广州绿怡信息科技有限公司 | 屏幕透图检测方法及装置 |
| CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
| CN114997535A (zh) * | 2022-08-01 | 2022-09-02 | 联通(四川)产业互联网有限公司 | 一种智慧农业全过程生产大数据智能分析方法及系统平台 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018201647A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技（深圳）有限公司 | 视网膜病变程度等级检测方法、装置及存储介质 |
| CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
| CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
| CN110378305A (zh) * | 2019-07-24 | 2019-10-25 | 中南民族大学 | 茶叶病害识别方法、设备、存储介质及装置 |
| CN110889428A (zh) * | 2019-10-21 | 2020-03-17 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备与存储介质 |
| CN110929802A (zh) * | 2019-12-03 | 2020-03-27 | 北京迈格威科技有限公司 | 基于信息熵的细分类识别模型训练、图像识别方法及装置 |
| CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
-
2020
- 2020-09-01 CN CN202010905327.9A patent/CN111914814A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018201647A1 (zh) * | 2017-05-05 | 2018-11-08 | 平安科技（深圳）有限公司 | 视网膜病变程度等级检测方法、装置及存储介质 |
| CN109522967A (zh) * | 2018-11-28 | 2019-03-26 | 广州逗号智能零售有限公司 | 一种商品定位识别方法、装置、设备以及存储介质 |
| CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
| CN110378305A (zh) * | 2019-07-24 | 2019-10-25 | 中南民族大学 | 茶叶病害识别方法、设备、存储介质及装置 |
| CN110889428A (zh) * | 2019-10-21 | 2020-03-17 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备与存储介质 |
| CN110929802A (zh) * | 2019-12-03 | 2020-03-27 | 北京迈格威科技有限公司 | 基于信息熵的细分类识别模型训练、图像识别方法及装置 |
| CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348808A (zh) * | 2020-11-30 | 2021-02-09 | 广州绿怡信息科技有限公司 | 屏幕透图检测方法及装置 |
| CN112699805A (zh) * | 2020-12-31 | 2021-04-23 | 上海市崇明区蔬菜科学技术推广站 | 蔬菜病虫害防治智能识别系统 |
| CN114997535A (zh) * | 2022-08-01 | 2022-09-02 | 联通(四川)产业互联网有限公司 | 一种智慧农业全过程生产大数据智能分析方法及系统平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vaishnnave et al. | Detection and classification of groundnut leaf diseases using KNN classifier | |
| CN111914814A (zh) | 小麦锈病检测方法、装置及计算机设备 | |
| KR101822404B1 (ko) | Dnn 학습을 이용한 세포이상 여부 진단시스템 | |
| CN105938559B (zh) | 使用卷积神经网络的数字图像处理 | |
| Jwade et al. | On farm automatic sheep breed classification using deep learning | |
| US20190164287A1 (en) | Automated screening of histopathology tissue samples via analysis of a normal model | |
| CN109670437B (zh) | 年龄预估模型训练方法、面部图像识别方法及装置 | |
| Soeb et al. | Tea leaf disease detection and identification based on YOLOv7 (YOLO-T) | |
| CN111898739B (zh) | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 | |
| US11798662B2 (en) | Methods for identifying biological material by microscopy | |
| CN112418360B (zh) | 卷积神经网络的训练方法、行人属性识别方法及相关设备 | |
| CN107669278B (zh) | 运动状态识别方法和系统、动物行为识别系统 | |
| CN111914159B (zh) | 一种信息推荐方法及终端 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| Aburasain et al. | Drone-based cattle detection using deep neural networks | |
| CN108304852B (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
| CN115424053A (zh) | 小样本图像识别方法、装置、设备及存储介质 | |
| CN112200862B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
| CN111401438B (zh) | 图像分拣方法、装置及系统 | |
| CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
| CN112766176A (zh) | 轻量化卷积神经网络的训练方法及人脸属性识别方法 | |
| CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
| CN113255440B (zh) | 一种基于机器学习的农作物叶片异常检测方法及系统 | |
| Cherifi et al. | Convolution neural network deployment for plant leaf diseases detection | |
| KR20230117244A (ko) | 반려동물의 암을 식별하기 위한 시스템 및 방법 |
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 |