CN113869098A - 植物病害识别方法、装置、电子设备及存储介质 - Google Patents

植物病害识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113869098A
CN113869098A CN202110614433.6A CN202110614433A CN113869098A CN 113869098 A CN113869098 A CN 113869098A CN 202110614433 A CN202110614433 A CN 202110614433A CN 113869098 A CN113869098 A CN 113869098A
Authority
CN
China
Prior art keywords
plant disease
training
meta
learner
plant
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
Application number
CN202110614433.6A
Other languages
English (en)
Inventor
冯全
张建华
陈佰鸿
杨森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gansu Agricultural University
Agricultural Information Institute of CAAS
Original Assignee
Gansu Agricultural University
Agricultural Information Institute of CAAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gansu Agricultural University, Agricultural Information Institute of CAAS filed Critical Gansu Agricultural University
Priority to CN202110614433.6A priority Critical patent/CN113869098A/zh
Publication of CN113869098A publication Critical patent/CN113869098A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种植物病害识别方法、装置、电子设备及存储介质，该方法包括：获取待识别植物病害的目标图像；将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的。本发明利用集成分类思想与元学习相结合的小样本植物病害识别方法，病害识别结果是根据每个分类器的输出进行加权得到，大大减少了识别结果的方差，同时对实际病害分类器的参数初始值以及集成分类器各决策权重采用元学习的训练方法得到，提高了分类器的稳定性和植物病害识别的准确率。

Description

植物病害识别方法、装置、电子设备及存储介质
技术领域
本发明涉及数字图像处理领域，尤其涉及一种植物病害识别方法、装置、电子设备及存储介质。
背景技术
农作物病害是导致减产的重要因素，快速识别病害类型，配制相应的农药及时杀灭病菌，对于减施增效有重要的意义。目前智能手机的已得到广泛使用，其摄像头可以随时捕获病害图像，借助数字图像识别技术，为作物病害诊断提供了一种便捷的手段。病害识别中主要采用深度卷积神经网络，这是一种高参数的模型，采用海量数据进行训练，数据量越大，训练模型的识别精度就越高。但目标数据不足时普遍采用迁移学习进行训练，即便如此也需要数千样本用于训练。在实践中往往受采集成本和时间限制，往往不能采集到很多病害样本，特别是一些不常见作物病害，其发生具有随机性，无法事先预测，很难系统性地获得大量样本。当只有少数几张病害样本时，无法用之训练大型深度神经网络，因为会产生过拟合，导致识别精度急剧下降。
小样本学习利用少量标注数据，通过学习不同子任务中的共性，提高识别模型泛化性能，进而满足实际病害识别需求。目前小样本学习方法大致分为基于度量学习的、基于元学习的、基于数据增强的以及基于多模态的方法。对于小样本学习，仅用很少训练样本使其很难在新的类型上训练出强力的分类模型。
发明内容
本发明的目的是提供一种植物病害识别方法、装置、电子设备及存储介质，用以减少了识别结果的方差，提高了分类器的稳定性和植物病害识别的准确率。
第一方面，本发明提供一种植物病害识别方法，包括：
获取待识别植物病害的目标图像；
将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
可选地，所述训练方法还包括：采用与待识别的目标病害图像相似的一般植物病害的图像的集合，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参数，赋予一组序列分类器，这组序列分类器在目标病害图像集合上进行二次训练学习。
可选地，所述训练方法包括：
步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集Sde，Sde包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集Stv，Stv包含了用于训练的植物病害图像及对应的病害类型标签，Stv与Sde中植物病害类型不相同；
步骤S2：确定元学习器ML训练过程的循环次数Nouter，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器
Figure BDA0003097472710000031
初始化各基学习器的初始决策权重
Figure BDA0003097472710000032
步骤S3：按照N-Way M-shot方式从Stv抽样出Ninner组训练任务{Tsup，Tque}；
步骤S4：以θ作为初始值，在每组Tsup以算法1依次训练
Figure BDA0003097472710000033
Figure BDA0003097472710000034
更新BLi(i＝1,…,NT)的参数，计算所有BLi(i＝1，…,NT)在Tque上的损失函数Lque；
步骤S5：在Ninner组训练任务上计算总体元损失函数Lmeta，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；
步骤S6：将步骤S3、步骤S4和步骤S5重复Nouter次，得到元学习器ML的最终参数θ和决策权重w。
可选地，所述训练所述植物病害识别模型还包括：
步骤S7：重新构造一组新的基学习器
Figure BDA0003097472710000035
从Sde抽样出Nact组训练任务{Tsup，Tque}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在Nact组训练任务的Tsup(i＝1,…,Nact)上，用所述算法1重新训练
Figure BDA0003097472710000036
并在Nact组训练任务的Tque上评估待识别病害平均分类精度，若平均精度满足预设条件，则将
Figure BDA0003097472710000037
作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对
Figure BDA0003097472710000038
的预测结果进行加权，取最高得分的分类作为预测的病害。
可选地，所述步骤S4包括：
步骤S41：以所述元学习器的参数θ初始化BL1；
步骤S42：依次地训练
Figure BDA0003097472710000041
其中，训练BLi时，BLi的初始参数为经训练的BLi-1的参数，训练对象仅为BLi，其它的NT-1个基学习器不参与训练。
可选地，训练BLi的过程包括：
步骤S421：令i＝1；
步骤S422：计算BLi在Tsup的所有病害图像上的损失函数：
Figure BDA0003097472710000042
其中，
Figure BDA0003097472710000043
是BLi以第BLi-1的参数
Figure BDA0003097472710000044
作为初始参数，对Tsup的第j个病害图像
Figure BDA0003097472710000045
的植物病害类型进行预测的结果，
其中，
Figure BDA0003097472710000046
是
Figure BDA0003097472710000047
对应的真实病害类型标签，具有one-hot型结构，
其中，LCE是软交叉熵函数，
其中，对i＝1的基学习器BL1，其初始参数
Figure BDA0003097472710000048
取θ，Nsup是Tsup的所有病害图像的数量；
步骤S423：更新BLi的参数：
Figure BDA0003097472710000049
其中α1是更新
Figure BDA00030974727100000410
的学习率，
Figure BDA00030974727100000411
是对
Figure BDA00030974727100000412
关于
Figure BDA00030974727100000413
计算出的梯度；
步骤S424：i←i+1，重复步骤S422与步骤S423，直到i>NT。
可选地，所述步骤S5包括：
步骤S51：计算所述Ninner组训练任务中的Lque平均值作为所述总体元损失函数Lmeta；
步骤S52：更新所述元学习器参数θ和所述决策权重w：
Figure BDA0003097472710000051
Figure BDA0003097472710000052
其中，α2和α3分别是更新θ和w的学习率，
Figure BDA0003097472710000053
和
Figure BDA0003097472710000054
分别是对Lmeta关于θ和w求梯度。
可选地，所述步骤S7包括：
步骤S71：计算所有BLi(i＝1,…,NT)对Tque中的第k幅待识别植物病害的图像
Figure BDA0003097472710000055
的组合预测植物病害类型得分Scorek:
Figure BDA0003097472710000056
其中
Figure BDA0003097472710000057
是BLi对病害图像
Figure BDA0003097472710000058
的预测结果，wi是步骤S6结束时训练得到决策权重；
步骤S72：取Scorek各分量中最大值对应的病害类型作为第k幅图像的判别类型。
第二方面，本发明提供一种植物病害识别装置，包括：
获取模块，用于获取待识别植物病害的目标图像；
识别模块，用于将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现根据第一方面所述植物病害识别方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现根据第一方面所述植物病害识别方法的步骤。
综上，本发明提供的植物病害识别方法、装置、电子设备及非暂态计算机可读存储介质，利用集成分类思想与元学习相结合的小样本植物病害识别方法，该方法中训练一组基学习器作为集成分类器，病害识别结果是根据每个分类器的输出进行加权得到，大大减少了识别结果的方差，同时对实际病害分类器的参数初始值以及集成分类器各决策权重采用元学习的训练方法得到，提高了分类器的稳定性和植物病害识别的准确率。
附图说明
图1是根据本发明实施例的植物病害识别方法的流程图；
图2是根据本发明实施例的训练植物病害识别模型的方法的流程图；
图3是根据本发明实施例的训练植物病害识别模型的基学习器的算法1的流程图；
图4是根据本发明实施例的植物病害识别装置的结构示意图；以及
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明实施例的植物病害识别方法的流程图，参照图1，本发明实施例提供的植物病害识别方法包括如下步骤：
步骤110：获取待识别植物病害的目标图像；
步骤120：将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，
所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
本发明的总体思路是首先通过在一般植物病害集合Stv上的学习，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习到的经验赋予一组序列识别器，这组识别器在目标病害集合Sde进行二次训练学习，在实际识别时，这组识别器中每个识别器分别给出一个属于某病害的得分，将各识别器的得分乘以各自权重相加后最高得分的那个病害类型就是该组识别器最终的输出。元学习器学习到的经验体现在其网络参数中，将该参数作为序列识别器中第一个识别器的初始参数。元学习过程所起作用就能凭借少量数据(Stv)的识别任务和几次的训练快速适应新的识别任务(Sde)，此外，元学习的过程中还学习一组序列基学习器(也是实际序列识别器)的权重。
本发明并不是并行地学习一组基学习器，而是学习一组序列基学习器，因为一组并行学习器的容易造成过拟合。序列的含义指在训练过程中各基学习器是依次训练的，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练。因此本发明总体包括两个过程：(1)元学习器训练过程：其最终结果是得到元学习器的模型参数以及一组序列学习器中各基学习器(也是各实际识别器)的权重，具体训练步骤包括以下步骤S1-S6；(2)实际病害识别器训练过程，具体训练步骤包括以下步骤S7。
在上述实施例中，本发明通过训练一组基学习器作为集成分类器，植物病害识别结果是根据每个分类器的输出进行加权得到，大大减少了识别结果的方差；基于元学习的小样本训练方法，得到实际植物病害分类器的参数初始值以及集成分类器各决策权重，提高了所述植物病害分类器的稳定性和植物病害识别的准确率。
基于上述实施例，如图2和图3所示，所述训练所述植物病害识别模型包括：
步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集Sde，Sde包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集Stv，Stv包含了用于训练的植物病害图像及对应的病害类型标签，Stv与Sde中植物病害类型不相同；
步骤S2：确定元学习器ML训练过程的循环次数Nouter，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器
Figure BDA0003097472710000091
初始化各基学习器的初始决策权重
Figure BDA0003097472710000092
步骤S3：按照N-Way M-shot方式从Stv抽样出Ninner组训练任务{Tsup，Tque}；
步骤S4：以θ作为初始值，在每组Tsup以算法1依次训练
Figure BDA0003097472710000093
Figure BDA0003097472710000094
更新BLi(i＝1,…,NT)的参数，计算所有BLi(i＝1,…,NT)在Tque上的损失函数Lque；
步骤S5：在Ninner组训练任务上计算总体元损失函数Lmeta，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；
步骤S6：将步骤S3、步骤S4和步骤S5重复Nouter次，得到元学习器ML的最终参数θ和决策权重w。
其中，针对步骤S1，在一个示例中，假定需要识别的植物病害是A、B、C、D、E五种，每种病害能够采集到的图像样本只有10张，将这五种病害样本及其真实病害标签组成目标数据集Sde＝{xi,yi}，其中xi是样本，yi是对应的病害标签。这些病害数据太少，采用典型的深度网络进行训练时很容易过拟合，在实际的识别中会导致识别率急剧下降。本发明采用元学习的原理与集成学习相结合的方法解决该问题。首先收集一些不包括以上5种病害的其他植物病害，假定收集了20种，每种20张。将这些病害样本组成训练与验证数据集Stv＝{xi,yi}。
针对步骤S2，在一个示例中，元学习器ML与基学习器BL1、BL2，…等网络结构完全一致，可以是较浅层的卷积网络，如COV4\5、RESNET18\25\34等，不易采用深层网络，因为在训练样本不足时，后者易陷入过拟合。ML的参数θ是指其网络模型的参数。各权重之和应满足
Figure BDA0003097472710000095
针对步骤S3，对于本实施例，可采用5-way 5shot方式训练，即抽取的每个训练任务包括5个病害类型，每个病害类型包含5个样本。抽取的训练任务任务例如可以是100，即Ninner＝100。
针对步骤S4，在一个示例中，由于ML与BLi(i＝1，…，NT)是结构完全相同的网络，以θ作为初始值初始化BL1，训练BL1，然后以训练后的BL1参数初始化BL2，训练BL2，依次类推，依次序列地进行训练该组基学习器。
基于上述实施例，所述训练所述植物病害识别模型还可以包括：
步骤S7：重新构造一组新的基学习器
Figure BDA0003097472710000101
从Sde抽样出Nact组训练任务{Tsup，Tque}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在Nact组训练任务的Tsup(i＝1，…，Nact)上，用所述算法1重新训练
Figure BDA0003097472710000102
并在Nact组训练任务的Tque上评估待识别病害平均分类精度，若平均精度满足预设条件，则将
Figure BDA0003097472710000103
作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对
Figure BDA0003097472710000104
的预测结果进行加权，取最高得分的分类作为预测的病害。
针对步骤S4，在一个示例中，此处重新构造的
Figure BDA0003097472710000105
Figure BDA0003097472710000106
与步骤S2的序列基学习器组
Figure BDA0003097472710000107
在结构和数量完全相同，但通过学习是直接用于目标病害的识别，宜称为序列病害识别器组，训练和测试的数据集Sde是真正的目标病害样本构成。训练时方法与步骤S4的算法1完全相同，以步骤S1-S6训练好的元学习器ML的参数作为初始值，依次、序列地训练病害识别器组，即以步骤S6结束时训练的ML模型参数θ作为初始值初始化BL1，训练BL1，然后以训练后的BL1参数初始化BL2，训练BL2，依次类推，依次序列地进行训练该组病害识别器。
基于上述实施例，所述步骤S4包括：
步骤S41：以所述元学习器的参数θ初始化BL1；
步骤S42：依次地训练
Figure BDA0003097472710000111
其中，训练BLi时，BLi的初始参数为经训练的BLi-1的参数，训练对象仅为BLi，其它的NT-1个基学习器不参与训练。
基于上述实施例，训练BLi的过程包括：
步骤S421：令i＝1；
步骤S422：计算BLi在Tsup的所有病害图像上的损失函数：
Figure BDA0003097472710000112
其中，
Figure BDA0003097472710000113
是BLi以第BLi-1的参数
Figure BDA0003097472710000114
作为初始参数，对Tsup的第j个病害图像
Figure BDA0003097472710000115
的植物病害类型进行预测的结果，
其中，
Figure BDA0003097472710000116
是
Figure BDA0003097472710000117
对应的真实病害类型标签，具有one-hot型结构，
其中，LCE是软交叉熵函数，在一个示例中，损失函数还可以采用其他方式进行计算。
其中，对i＝1的基学习器BL1，其初始参数
Figure BDA0003097472710000118
取θ，Nsup是Tsup的所有病害图像的数量；
步骤S423：更新BLi的参数：
Figure BDA0003097472710000119
其中α1是更新
Figure BDA00030974727100001110
的学习率，
Figure BDA00030974727100001111
是对
Figure BDA00030974727100001112
关于
Figure BDA00030974727100001113
计算出的梯度；
步骤S424：i←i+1，重复步骤S422与步骤S423，直到i>NT。
基于上述实施例，所述步骤S5包括：
步骤S51：计算所述Ninner组训练任务中的Lque平均值作为所述总体元损失函数Lmeta；
步骤S52：更新所述元学习器参数θ和所述决策权重w：
Figure BDA0003097472710000121
Figure BDA0003097472710000122
其中，α2和α3分别是更新θ和w的学习率，
Figure BDA0003097472710000123
和
Figure BDA0003097472710000124
分别是对Lmeta关于θ和w求梯度。
基于上述实施例，所述步骤S7包括：
步骤S71：计算所有BLi(i＝1,…,NT)对Tque中的第k幅待识别植物病害的图像
Figure BDA0003097472710000125
的组合预测植物病害类型得分Scorek:
Figure BDA0003097472710000126
其中
Figure BDA0003097472710000127
是BLi对病害图像
Figure BDA0003097472710000128
的预测结果，wi是步骤S6结束时训练得到决策权重；
步骤S72：取Scorek各分量中最大值对应的病害类型作为第k幅图像的判别类型。
在一个示例中，还可以采用其他的方式来计算第k幅待识别植物病害的图像
Figure BDA0003097472710000129
的预测植物病害类型得分。
本发明提供的植物病害识别方法、装置、电子设备及非暂态计算机可读存储介质，利用集成分类思想与元学习相结合的小样本植物病害识别方法，该方法中训练一组基学习器作为集成分类器，病害识别结果是根据每个分类器的输出进行加权得到，大大减少了识别结果的方差，同时对实际病害分类器的参数初始值以及集成分类器各决策权重采用元学习的训练方法得到，提高了分类器的稳定性和植物病害识别的准确率。
参照图4，图4是根据本发明实施例的植物病害识别装置的结构示意图，本实施例提供的植物病害识别装置，包括：
获取模块410，用于获取待识别植物病害的目标图像；
识别模块420，用于将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行植物病害识别方法，该方法包括：
获取待识别植物病害的目标图像；
将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的植物病害识别方法，该方法包括：
获取待识别植物病害的目标图像；
将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的植物病害识别方法，该方法包括：
获取待识别植物病害的目标图像；
将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的；
所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种植物病害识别方法，其特征在于，包括：
获取待识别植物病害的目标图像；
将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于元学习和集成分类的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
2.根据权利要求1所述的植物病害识别方法，其特征在于，所述训练方法包括：
采用与待识别的目标病害图像相似的一般植物病害的图像的集合，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参数，赋予一组序列分类器，这组序列分类器在目标病害图像集合上进行二次训练学习。
3.根据权利要求1或2所述的植物病害识别方法，其特征在于，所述训练方法包括：
步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集Sde，Sde包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集Stv，Stv包含了用于训练的植物病害图像及对应的病害类型标签，Stv与Sde中植物病害类型不相同；
步骤S2：确定元学习器ML训练过程的循环次数Nouter，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器
Figure FDA0003097472700000021
初始化各基学习器的初始决策权重
Figure FDA0003097472700000022
步骤S3：按照N-Way M-shot方式从Stv抽样出Ninner组训练任务{Tsup，Tque}；
步骤S4：以θ作为初始值，在每组Tsup以算法1依次训练
Figure FDA0003097472700000023
Figure FDA0003097472700000024
更新BLi(i＝1,…,NT)的参数，计算所有BLi(i＝1,…,NT)在Tque上的损失函数Lque；
步骤S5：在Ninner组训练任务上计算总体元损失函数Lmeta，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；
步骤S6：将步骤S3、步骤S4和步骤S5重复Nouter次，得到元学习器ML的最终参数θ和决策权重w。
4.根据权利要求3所述的植物病害识别方法，其特征在于，所述训练所述植物病害识别模型还包括：
步骤S7：重新构造一组新的基学习器
Figure FDA0003097472700000025
从Sde抽样出Nact组训练任务{Tsup，Tque}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在Nact组训练任务的Tsup(i＝1,…,Nact)上，用所述算法1重新训练
Figure FDA0003097472700000026
并在Nact组训练任务的Tque上评估待识别病害平均分类精度，若平均精度满足预设条件，则将
Figure FDA0003097472700000039
作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对
Figure FDA00030974727000000310
的预测结果进行加权，取最高得分的分类作为预测的病害。
5.根据权利要求3所述的植物病害识别方法，其特征在于，所述步骤S4包括：
步骤S41：以所述元学习器的参数θ初始化BL1；
步骤S42：依次地训练
Figure FDA00030974727000000311
其中，训练BLi时，BLi的初始参数为经训练的BLi-1的参数，训练对象仅为BLi，其它的NT-1个基学习器不参与训练。
6.根据权利要求2或5所述的植物病害识别方法，其特征在于，训练BLi的过程包括：
步骤S421：令i＝1；
步骤S422：计算BLi在Tsup的所有病害图像上的损失函数：
Figure FDA0003097472700000031
其中，
Figure FDA0003097472700000032
是BLi以第BLi-1的参数
Figure FDA0003097472700000033
作为初始参数，对Tsup的第j个病害图像
Figure FDA0003097472700000034
的植物病害类型进行预测的结果，
其中，
Figure FDA0003097472700000035
是
Figure FDA0003097472700000036
对应的真实病害类型标签，具有one-hot型结构，
其中，LCE是软交叉熵函数，
其中，对i＝1的基学习器BL1，其初始参数
Figure FDA0003097472700000037
取θ，Nsup是Tsup的所有病害图像的数量；
步骤S423：更新BLi的参数：
Figure FDA0003097472700000038
其中α1是更新
Figure FDA0003097472700000041
的学习率，
Figure FDA0003097472700000042
是对
Figure FDA0003097472700000043
关于
Figure FDA0003097472700000044
计算出的梯度；
步骤S424：i←i+1，重复步骤S422与步骤S423，直到i>NT。
7.根据权利要求3所述的植物病害识别方法，其特征在于，所述步骤S5包括：
步骤S51：计算所述Ninner组训练任务中的Lque平均值作为所述总体元损失函数Lmeta；
步骤S52：更新所述元学习器参数θ和所述决策权重w：
Figure FDA0003097472700000045
Figure FDA0003097472700000046
其中，α2和α3分别是更新θ和w的学习率，
Figure FDA0003097472700000047
和
Figure FDA0003097472700000048
分别是对Lmeta关于θ和w求梯度。
8.根据权利要求4所述的植物病害识别方法，其特征在于，所述步骤S7包括：
步骤S71：计算所有BLi(i＝1,…,NT)对Tque中的第k幅待识别植物病害的图像
Figure FDA0003097472700000049
的组合预测植物病害类型得分Scorek:
Figure FDA00030974727000000410
其中
Figure FDA00030974727000000411
是BLi对病害图像
Figure FDA00030974727000000412
的预测结果，wi是步骤S6结束时训练得到决策权重；
步骤S72：取Scorek各分量中最大值对应的病害类型作为第k幅图像的判别类型。
9.一种植物病害识别装置，其特征在于，包括：
获取模块，用于获取待识别植物病害的目标图像；
识别模块，用于将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现根据权利要求1至8任一项所述植物病害识别方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现根据权利要求1至8任一项所述植物病害识别方法的步骤。
CN202110614433.6A 2021-06-02 2021-06-02 植物病害识别方法、装置、电子设备及存储介质 Pending CN113869098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110614433.6A CN113869098A (zh) 2021-06-02 2021-06-02 植物病害识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110614433.6A CN113869098A (zh) 2021-06-02 2021-06-02 植物病害识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113869098A true CN113869098A (zh) 2021-12-31

Family

ID=78989960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110614433.6A Pending CN113869098A (zh) 2021-06-02 2021-06-02 植物病害识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113869098A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461629A (zh) * 2022-02-10 2022-05-10 电子科技大学 一种航空发动机温度标定方法、装置和存储介质
CN116778343A (zh) * 2023-08-15 2023-09-19 安徽迪万科技有限公司 一种用于综合识别的目标图像特征提取方法
CN117455890A (zh) * 2023-11-20 2024-01-26 浙江大学 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置
CN117455890B (zh) * 2023-11-20 2024-05-31 浙江大学 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461629A (zh) * 2022-02-10 2022-05-10 电子科技大学 一种航空发动机温度标定方法、装置和存储介质
CN116778343A (zh) * 2023-08-15 2023-09-19 安徽迪万科技有限公司 一种用于综合识别的目标图像特征提取方法
CN116778343B (zh) * 2023-08-15 2023-11-14 安徽迪万科技有限公司 一种用于综合识别的目标图像特征提取方法
CN117455890A (zh) * 2023-11-20 2024-01-26 浙江大学 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置
CN117455890B (zh) * 2023-11-20 2024-05-31 浙江大学 一种基于改进集成深度学习的儿童肠套叠空气灌肠结果预测装置

Similar Documents

Publication Publication Date Title
Kumar et al. Resnet-based approach for detection and classification of plant leaf diseases
EP3779774B1 (en) Training method for image semantic segmentation model and server
CN107506761B (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN105488536B (zh) 一种基于多特征深度学习技术的农田害虫图像识别方法
CN105184312B (zh) 一种基于深度学习的文字检测方法及装置
WO2020228515A1 (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
CN106651915B (zh) 基于卷积神经网络的多尺度表达的目标跟踪方法
CN109711422A (zh) 图像数据处理、模型的建立方法、装置、计算机设备和存储介质
CN106778807A (zh) 基于公共字典对和类依赖字典对的细粒度图像分类方法
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN109145944B (zh) 一种基于纵向三维图像深度学习特征的分类方法
CN113869098A (zh) 植物病害识别方法、装置、电子设备及存储介质
CN107194437B (zh) 基于Gist特征提取与概念机递归神经网络的图像分类方法
CN110322418A (zh) 一种超分辨率图像生成对抗网络的训练方法及装置
CN110110610A (zh) 一种用于短视频的事件检测方法
CN113435355A (zh) 多目标奶牛身份识别方法及系统
CN108960270A (zh) 一种基于流形迁移学习的数据标定方法及系统
CN111797705A (zh) 一种基于人物关系建模的动作识别方法
CN112070181B (zh) 一种基于图像流的协同检测方法及装置、存储介质
CN107203788B (zh) 一种中级视觉毒品图像识别方法
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
CN108764233A (zh) 一种基于连续卷积激活的场景字符识别方法

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