CN114581758A - 基于EfficientNet网络与深度学习的植物叶部病害识别方法 - Google Patents

基于EfficientNet网络与深度学习的植物叶部病害识别方法 Download PDF

Info

Publication number
CN114581758A
CN114581758A CN202210224394.3A CN202210224394A CN114581758A CN 114581758 A CN114581758 A CN 114581758A CN 202210224394 A CN202210224394 A CN 202210224394A CN 114581758 A CN114581758 A CN 114581758A
Authority
CN
China
Prior art keywords
efficientnet
data set
model
plant leaf
deep learning
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
CN202210224394.3A
Other languages
English (en)
Inventor
撒继铭
高菲
王卓尔
赵中雨
涂赛飞
彭峰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210224394.3A priority Critical patent/CN114581758A/zh
Publication of CN114581758A publication Critical patent/CN114581758A/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
    • G06N3/04—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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本申请提供了一种基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。能够快速且准确的进行自然环境下的植物病害识别并采取相应的措施，对于植物病情的控制和治疗意义重大，能够及时准确地诊断植物病害，对于可持续和正确的农业，以及防止不必要的浪费财政和其他资源，都具有重要意义。

Description

基于EfficientNet网络与深度学习的植物叶部病害识别方法
技术领域
本发明涉及植物病害识别技术领域，具体涉及一种基于EfficientNet网络与深度学习的植物叶部病害识别方法。
背景技术
病害的监测和防治是现代农业发展中的重要内容，木薯作为世界上年产量超过亿吨以上的七大作物之一，在我国华南及中部多个省都有种植，相关产业在农业经济中占有重要地位。在我国，由于耕地资源有限、机械化程度较低，近年来一直是世界上最大的进口国。快速且准确的进行自然环境下的植物病害识别并采取相应的措施，对于植物病情的控制和治疗意义重大，及时准确地诊断植物病害，对于可持续和正确的农业，以及防止不必要的浪费财政和其他资源，都具有重要意义。
相关技术中，通常还是通过人工检查木薯的生长状态，或者是通过食品监控，再结合人员经验来识别木薯的叶部病害，检查效率低下，而且极度依赖人员经验，实时性也较差。
发明内容
本发明的目的在于克服上述技术不足，提供一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，解决现有技术中对于植物叶部病害识别检查效率低、依赖人员经验而且实时性不好的技术问题。
为达到上述技术目的，第一方面，本发明的技术方案提供一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，包括以下步骤：
获取包含植物正常状态和植物叶部病害的图像数据集；
对所述图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；
基于EfficientNet网络与深度学习搭建EfficientNet模型；
将所述训练数据集输入到所述EfficientNet模型进行训练，得到训练完成的所述EfficientNet模型；
使用所述EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
与现有技术相比，本发明的有益效果包括：
本发明的技术方案提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法，能够快速且准确的进行自然环境下的植物病害识别并采取相应的措施，对于植物病情的控制和治疗意义重大，能够及时准确地诊断植物病害，对于可持续和正确的农业，以及防止不必要的浪费财政和其他资源，都具有重要意义。
EfficientNet采用一种新的模型缩放方法，使用一个简单而高效的复合系数来从depth,width,resolution三个维度放大网络，不会像传统的方法那样任意缩放网络的维度，基于神经结构搜索技术可以获得最优的一组参数(复合系数)。EfficientNet不仅比别的网络快很多，而且精度也更高。
本方法的基于EfficientNet网络与深度学习的植物叶部病害识别方法不同于现有研究在模型训练上进行优化，而是通过模型改进(使用EfficientNet模型)和数据增强两种途径优化诊断模型的泛化能力，EfficientNets在ImageNet上实现了最先进的准确性，效率大幅提高了一个数量级。
在高精度状态下，EfficientNet-B7在ImageNet上实现了最先进的84.4％top-1/97.1％top-5准确率，具有66M参数和37B FLOPS，在CPU推理方面比以前的最佳Gpipe小8.4倍，速度快6.1倍。在中等精度状态下，EfficientNet-B1在CPU推理方面比ResNet-152小7.6倍，速度快5.7倍，具有相似的ImageNet精度。与广泛使用的ResNet-50相比，EfficientNet-B4在类似的FLOPS约束下将ResNet-50的前1精度从76.3％提高到82.6％(+6.3％)。
根据本发明的一些实施例，在所述基于EfficientNet网络与深度学习搭建EfficientNet模型之前，包括步骤：
使用HSV色彩空间提取所述图像数据集的图像数据特征。
根据本发明的一些实施例，所述植物叶部病害包括：木薯细菌性枯萎病、木薯绿斑病、木薯花叶病、木薯细菌性角斑病、木薯病毒病、木薯丛枝病、木薯褐斑病、木薯环斑病、木薯白粉病、木薯炭疽病、木薯锈病和木薯干腐病。
根据本发明的一些实施例，所述对所述图像数据集进行数据增强处理和数据扩张处理，至少包括以下步骤之一：
对所述图像数据集进行图像亮度调整处理以增强所述图像数据集的丰富度；
对所述图像数据集进行图像剪裁处理以增强所述图像数据集的丰富度；
对所述图像数据集进行图像旋转处理以增强所述图像数据集的丰富度；
对所述图像数据集进行图像镜像对称处理以增强所述图像数据集的丰富度；
对所述图像数据集进行图像加噪处理以增强所述图像数据集的丰富度。
根据本发明的一些实施例，所述基于EfficientNet网络与深度学习搭建EfficientNet模型，包括步骤：
生成基线模型；
在缩小所述基线模型的同时均匀地缩放模型深度、模型宽度和图片分辨率，得到所述EfficientNet模型。
根据本发明的一些实施例，所述将所述训练数据集输入到所述EfficientNet模型进行训练，包括步骤：
在带有标注的所述训练数据集中训练教师模型；
使用所述教师模型对未标注过的图像进行分类，并将分类分数大于预设阈值的图像作为伪标注数据集；
在带有标注的所述训练数据集和所述伪标注数据集的混合数据集中训练学生模型，若所述学生模型满足迭代条件，将所述学生模型作为训练完成的所述EfficientNet模型输出。
根据本发明的一些实施例，在所述得到训练数据集之后，包括步骤：将所述训练数据集按照7：3的比例分为训练集和测试集。
根据本发明的一些实施例，所述对所述图像数据集进行图像加噪处理，包括步骤：向所述图像数据集添加椒盐噪声或高斯噪声。
第二方面，本发明的技术方案提供一种基于EfficientNet网络与深度学习的植物叶部病害识别系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
第三方面，本发明的技术方案提供一种种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
图1为本发明一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图；
图2为本发明另一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图；
图3为本发明另一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明提供了一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，能够快速且准确的进行自然环境下的植物病害识别并采取相应的措施，对于植物病情的控制和治疗意义重大，能够及时准确地诊断植物病害，对于可持续和正确的农业，以及防止不必要的浪费财政和其他资源，都具有重要意义。
下面结合附图，对本发明实施例作进一步阐述。
参照图1，图1为本发明一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括但是不仅限于步骤S110至步骤S150。
步骤S110，获取包含植物正常状态和植物叶部病害的图像数据集；
步骤S120，对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；
步骤S130，基于EfficientNet网络与深度学习搭建EfficientNet模型；
步骤S140，将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；
步骤S150，使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
本实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法，能够快速且准确的进行自然环境下的植物病害识别并采取相应的措施，对于植物病情的控制和治疗意义重大，能够及时准确地诊断植物病害，对于可持续和正确的农业，以及防止不必要的浪费财政和其他资源，都具有重要意义。本实施例提及的植物可以是木薯、高粱、小麦或者玉米，当然也不仅限于上述的几种植物。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：
步骤一：采集木薯病害图像数据信息，制作相应的训练数据集。植物病害图像的获取是识别过程的第一步，尤其是对于自然环境下植物病害图像的识别，图像数据的全面收集至关重要。为了能够识别不同角度、光照、病害不同发展期的图像，需要在原始数据集构建时将这些图像包含进去。
步骤二：对所采集的图像数据集进行数据增强和扩张，得到新的训练数据集。实际问题中我们需要识别具有不用场景和视角的图片，因此可对植物病害数据进行微小调整以获得更多数据来训练CNN模型。通过对训练数据进行增强使得网络的泛化能力更强，更好的应用到各种实际场景中。
使用以下数据增强形式来获取新的训练数据集：
剪裁：使用整数百分比设置裁剪框，对植物病害图像进行剪裁。
旋转：将植物病害图像进行角度0～180°随机旋转。
调光：整数范围，用于随机乘以植物病害图像像素值，改变图像亮度。
加噪：给图像添加椒盐噪声或高斯噪声。
加噪步骤如下：
添加椒盐噪声：
1、指定信噪比SNR其取值范围在[0,1]之间。
2、计算总像素数目SP，得到要加噪的像素数目NP＝SP*(1-SNR)。
3、随机获取要加噪的每个像素位置P(i,j)。
4、指定像素值为255或者0。
5、重复c,d两个步骤完成所有像素的NP个像素。6、输出加噪以后的图像。
添加高斯噪声：
1、输入参数sigam和Xmean。
2、以系统时间为种子产生一个伪随机数。
3、将伪随机数带入G(d)得到高斯随机数。
4、根据输入像素计算出输出像素。
5、重新将像素值防缩在[0～255]之间。
6、循环所有像素。
7、输出图像。
步骤三：基于EfficientNet网络与深度学习的模型搭建。
步骤三模型搭建包括：
步骤1、使用AutoML MNAS Mobile框架开发一个移动大小的基线网络EfficientNet-BO
步骤2、用复合缩放的方法，在预先设定的内存和计算量大小的限制条件下，对EfficientNet-BO模型的深度、宽度(特征图的通道数)、图片分辨率这三个维度都同时进行缩放，这三个维度的缩放比例由网格搜索得到。
步骤3、最终输出了EfficientNet-B1～B7模型。
EfficientNet一共由一个Stem+16个Blocks+Con2D+GlobalAveragePooling2D+Dense组成，其核心内容是16个Blocks，其它的结构与常规的卷积神经网络差距不大。16个大Blocks可以分为1、2、2、3、3、4、1个BIock。Block的通用结构如下，其总体的设计思路是Inverted residuals结构和残差结构，在3x3或者5x5网络结构前利用1x1卷积升维，在3x3或者5x5网络结构后增加了一个关于通道的注意力机制，最后利用1x1卷积降维后增加一个大残差边。
整个efficientnet由7个部分的Block组成，对应的Block1-Block7。
步骤2中，模型复合缩放方法：a是一个基线网络，也就是我们所说的baseline，b，c，d三个网络分别对该基线网络的宽度、深度、和输入分辨率进行了扩展，而最右边的e图，就是EfficientNet的主要思想，综合宽度、深度和分辨率对网络进行符合扩展。
整个优化模型可描述为：
Figure BDA0003535066750000071
Figure BDA0003535066750000072
Memory(N)≤target_memory
FLOPS(N)≤target_flops
其中，d，w，r分别为平衡网络深度、宽度、分辨率的系数，
Figure BDA0003535066750000073
是提前给定的参数。这个算式表现为在给定计算内存和效率的约束下，如何优化参数d、w和r来实现最好的模型准确率。
EfficientNet的规范化复合调参方法使用了一个复合系数φ，来对三个参数进行符合调整：
d＝αφ
w＝βφ
r＝γφ
α·β2·γ2≈2
α≥1，β≥1，γ≥1
其中，α，β，γ是使用网格搜索出来的常量，表明如何调整网络的深度、宽度和分辨率；φ是用户自定义的相关系数，用来控制模型的扩增。满足此条件的前提下，可以保证其FLOPS随着φ的增长呈现2φ规律变化。
第一步，先将复合系数φ固定为1，先假设有两倍以上的计算资源可以用，然后对α，β，γ进行网络搜索。对于EfficientNet-B0网络，在约束条件为
α·β2·γ2≈2
时，获得了基础网络的最佳超参数
α＝1.2
β＝1.1
γ＝1.15
第二步是固定α，β，γ，通过复合调整公式对基线网络进行扩展，得到B1到B7网络。于是有EfficientNet在lmageNet上的效果碾压。具有类似top-1/top-5精度的ConvNets被组合在一起以进行效率比较。与现有的ConvNets相比，EfficientNet模型可以将参数和FLOPS降低一个数量级(参数减少高达8.4倍，FLOPS减少高达16倍)。
通过放大EfficientNets基础模型，获得了一系列EfficientNets模型。
Figure BDA0003535066750000081
Figure BDA0003535066750000091
步骤四：将训练集图像输入搭建好的模型进中行训练，并保存训练好的模型。
模型训练方法使用自训练框架步骤如下：
步骤1、用常规方法在带有标注的数据集上(ImageNet)训练一个模型，将其当作教师模型；
步骤2、利用该教师模型对一些未标注过的图像进行分类。并将分类分数大于指定阈值的样本收集起来，作为伪标注数据集；
步骤3、在标注和伪标注混合数据集上重新训练一个学生模型；
步骤4、将训练好的学生模型当做教师模型，重复步骤2、3。进行多次迭代，最终得到的学生模型便是目标模型。
在模型的训练细节上也用了一些技巧，具体如下：
步骤2中可以直接用模型输出的分数结果当作数据集的标签(软标签)，这种效果会比直接使用one-hot编码的标注(硬标签)效果更好。
在训练学生模型时，为其增加了更多的噪声源，使用了诸如数据增强、dropout、随机深度等方法，使得学生模型在从伪标签训练的过程中更加艰难。这种方法使得训练出来的学生模型更加稳定，能够生成质量更高的伪标注数据集。
在制作伪标签数据集时，需要按照每个分类相同的数量提取伪标签数据，这样做可以保证样本样本均衡。
引入了一个修复训练测试分辨率差异的技术来训练学生模型，首先在小分辨率图片下正常训练350个周期，然后基于未进行数据增强的大分辨率图片下微调训练1.5个周期，微调阶段浅层被固定。
步骤五：模型训练完成，对模型分类性能进行测试。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；使用HSV色彩空间提取图像数据集的图像数据特征。基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。植物叶部病害包括：木薯细菌性枯萎病、木薯绿斑病、木薯花叶病、木薯细菌性角斑病、木薯病毒病、木薯丛枝病、木薯褐斑病、木薯环斑病、木薯白粉病、木薯炭疽病、木薯锈病和木薯干腐病。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。对图像数据集进行数据增强处理和数据扩张处理，至少包括以下步骤之一：
对图像数据集进行图像亮度调整处理以增强图像数据集的丰富度；对图像数据集进行图像剪裁处理以增强图像数据集的丰富度；对图像数据集进行图像旋转处理以增强图像数据集的丰富度；对图像数据集进行图像镜像对称处理以增强图像数据集的丰富度；对图像数据集进行图像加噪处理以增强图像数据集的丰富度。
剪裁：使用整数百分比设置裁剪框，对植物病害图像进行剪裁。
旋转：将植物病害图像进行角度0～180°随机旋转。
调光：整数范围，用于随机乘以植物病害图像像素值，改变图像亮度。
加噪：给图像添加椒盐噪声或高斯噪声。
加噪步骤如下：
添加椒盐噪声：
1、指定信噪比SNR其取值范围在[0,1]之间。
2、计算总像素数目SP，得到要加噪的像素数目NP＝SP*(1-SNR)。
3、随机获取要加噪的每个像素位置P(i,j)。
4、指定像素值为255或者0。
5、重复c,d两个步骤完成所有像素的NP个像素。6、输出加噪以后的图像。
添加高斯噪声：
1、输入参数sigam和Xmean。
2、以系统时间为种子产生一个伪随机数。
3、将伪随机数带入G(d)得到高斯随机数。
4、根据输入像素计算出输出像素。
5、重新将像素值防缩在[0～255]之间。
6、循环所有像素。
7、输出图像。
参照图2，图2为本发明另一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图；基于EfficientNet网络与深度学习的植物叶部病害识别方法包括但是不仅限于步骤S210至步骤S220。
步骤S210，生成基线模型；
步骤S220，在缩小基线模型的同时均匀地缩放模型深度、模型宽度和图片分辨率，得到EfficientNet模型。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。基于EfficientNet网络与深度学习搭建EfficientNet模型，包括步骤：生成基线模型；在缩小基线模型的同时均匀地缩放模型深度、模型宽度和图片分辨率，得到EfficientNet模型。
参照图3，图3为本发明另一个实施例提供的基于EfficientNet网络与深度学习的植物叶部病害识别方法的流程图；基于EfficientNet网络与深度学习的植物叶部病害识别方法包括但是不仅限于步骤S310至步骤S330。
步骤S310，在带有标注的训练数据集中训练教师模型；
步骤S320，使用教师模型对未标注过的图像进行分类，并将分类分数大于预设阈值的图像作为伪标注数据集；
步骤S330，在带有标注的训练数据集和伪标注数据集的混合数据集中训练学生模型，若学生模型满足迭代条件，将学生模型作为训练完成的EfficientNet模型输出。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。将训练数据集输入到EfficientNet模型进行训练，包括步骤：在带有标注的训练数据集中训练教师模型；使用教师模型对未标注过的图像进行分类，并将分类分数大于预设阈值的图像作为伪标注数据集；在带有标注的训练数据集和伪标注数据集的混合数据集中训练学生模型，若学生模型满足迭代条件，将学生模型作为训练完成的EfficientNet模型输出。
在一实施例中，基于EfficientNet网络与深度学习的植物叶部病害识别方法包括步骤：获取包含植物正常状态和植物叶部病害的图像数据集；对图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；将训练数据集按照7：3的比例分为训练集和测试集。基于EfficientNet网络与深度学习搭建EfficientNet模型；将训练数据集输入到EfficientNet模型进行训练，得到训练完成的EfficientNet模型；使用EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
本发明还提供了一种基于EfficientNet网络与深度学习的植物叶部病害识别系统，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，处理器执行计算机程序时实现如上述的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是，本实施例中的基于EfficientNet网络与深度学习的植物叶部病害识别系统，可以包括有业务处理模块、边缘端数据库、服务端版本信息寄存器、数据同步模块，处理器执行计算机程序时实现如上述应用在基于EfficientNet网络与深度学习的植物叶部病害识别系统的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
以上所描述的装置实施例仅仅是示意性的，其中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，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。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述终端实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，包括以下步骤：
获取包含植物正常状态和植物叶部病害的图像数据集；
对所述图像数据集进行数据增强处理和数据扩张处理，得到训练数据集；
基于EfficientNet网络与深度学习搭建EfficientNet模型；
将所述训练数据集输入到所述EfficientNet模型进行训练，得到训练完成的所述EfficientNet模型；
使用所述EfficientNet模型对包含植物叶部病害的图像数据进行植物叶部病害识别。
2.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，在所述基于EfficientNet网络与深度学习搭建EfficientNet模型之前，包括步骤：
使用HSV色彩空间提取所述图像数据集的图像数据特征。
3.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，所述植物叶部病害包括：木薯细菌性枯萎病、木薯绿斑病、木薯花叶病、木薯细菌性角斑病、木薯病毒病、木薯丛枝病、木薯褐斑病、木薯环斑病、木薯白粉病、木薯炭疽病、木薯锈病和木薯干腐病。
4.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，所述对所述图像数据集进行数据增强处理和数据扩张处理，至少包括以下步骤之一：
对所述图像数据集进行图像亮度调整处理；
对所述图像数据集进行图像剪裁处理；
对所述图像数据集进行图像旋转处理；
对所述图像数据集进行图像镜像对称处理；
对所述图像数据集进行图像加噪处理。
5.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，所述基于EfficientNet网络与深度学习搭建EfficientNet模型，包括步骤：
生成基线模型；
在缩小所述基线模型的同时均匀地缩放模型深度、模型宽度和图片分辨率，得到所述EfficientNet模型。
6.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，所述将所述训练数据集输入到所述EfficientNet模型进行训练，包括步骤：
在带有标注的所述训练数据集中训练教师模型；
使用所述教师模型对未标注过的图像进行分类，并将分类分数大于预设阈值的图像作为伪标注数据集；
在带有标注的所述训练数据集和所述伪标注数据集的混合数据集中训练学生模型，若所述学生模型满足迭代条件，将所述学生模型作为训练完成的所述EfficientNet模型输出。
7.根据权利要求1所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，在所述得到训练数据集之后，包括步骤：将所述训练数据集按照7：3的比例分为训练集和测试集。
8.根据权利要求4所述的一种基于EfficientNet网络与深度学习的植物叶部病害识别方法，其特征在于，所述对所述图像数据集进行图像加噪处理，包括步骤：向所述图像数据集添加椒盐噪声或高斯噪声。
9.一种基于EfficientNet网络与深度学习的植物叶部病害识别系统，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8中任意一项所述的基于EfficientNet网络与深度学习的植物叶部病害识别方法。
CN202210224394.3A 2022-03-07 2022-03-07 基于EfficientNet网络与深度学习的植物叶部病害识别方法 Pending CN114581758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210224394.3A CN114581758A (zh) 2022-03-07 2022-03-07 基于EfficientNet网络与深度学习的植物叶部病害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210224394.3A CN114581758A (zh) 2022-03-07 2022-03-07 基于EfficientNet网络与深度学习的植物叶部病害识别方法

Publications (1)

Publication Number Publication Date
CN114581758A true CN114581758A (zh) 2022-06-03

Family

ID=81779131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210224394.3A Pending CN114581758A (zh) 2022-03-07 2022-03-07 基于EfficientNet网络与深度学习的植物叶部病害识别方法

Country Status (1)

Country Link
CN (1) CN114581758A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457339A (zh) * 2022-11-11 2022-12-09 中加健康工程研究院(合肥)有限公司 一种基于深度集成学习的ad预测方法、系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457339A (zh) * 2022-11-11 2022-12-09 中加健康工程研究院(合肥)有限公司 一种基于深度集成学习的ad预测方法、系统及装置
CN115457339B (zh) * 2022-11-11 2023-03-24 中加健康工程研究院(合肥)有限公司 一种基于深度集成学习的ad预测方法、系统及装置

Similar Documents

Publication Publication Date Title
WO2023029373A1 (zh) 一种高精度的农田植被信息提取方法
CN111986099A (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN111833237B (zh) 基于卷积神经网络和局部单应性变换的图像配准方法
CN104680542B (zh) 基于在线学习的遥感影像变化检测方法
CN112084923B (zh) 一种遥感图像语义分割方法、存储介质及计算设备
CN112836610A (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN108288014A (zh) 道路智能提取方法和装置、提取模型构建方法及混合导航系统
CN112669323B (zh) 图像处理方法及相关设备
CN109657081A (zh) 高光谱卫星遥感数据的分布式处理方法、系统及介质
Xie et al. Tea-YOLOv8s: A tea bud detection model based on deep learning and computer vision
CN111507416B (zh) 一种基于深度学习的吸烟行为实时检测方法
CN110991437A (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN111640087B (zh) 一种基于sar深度全卷积神经网络的影像变化检测方法
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN114581758A (zh) 基于EfficientNet网络与深度学习的植物叶部病害识别方法
CN115439654A (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
CN115713691A (zh) 一种基于夜光遥感的像元级电力普及率估算方法及装置
CN112949657B (zh) 一种基于遥感影像纹理特征的林地分布提取方法及装置
Han et al. Low-illumination road image enhancement by fusing retinex theory and histogram equalization
Merchant Classifying open water features using optical satellite imagery and an object-oriented convolutional neural network
Rizvi et al. Revolutionizing agriculture: Machine and deep learning solutions for enhanced crop quality and weed control
CN116778346B (zh) 一种基于改进自注意力机制的管线识别方法及系统
CN117036392A (zh) 图像检测方法及相关装置
CN115410083B (zh) 一种基于对抗域适应的小样本sar目标分类方法及装置
CN113627480B (zh) 一种基于强化学习的极化sar影像分类方法

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