CN114596468A - 病虫害识别及模型训练方法、装置、电子设备及存储介质 - Google Patents
病虫害识别及模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114596468A CN114596468A CN202210247616.3A CN202210247616A CN114596468A CN 114596468 A CN114596468 A CN 114596468A CN 202210247616 A CN202210247616 A CN 202210247616A CN 114596468 A CN114596468 A CN 114596468A
- Authority
- CN
- China
- Prior art keywords
- pest
- trained
- image
- disease
- feature extraction
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 300
- 201000010099 disease Diseases 0.000 title claims abstract description 183
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 183
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000238631 Hexapoda Species 0.000 title claims description 25
- 238000000605 extraction Methods 0.000 claims abstract description 129
- 239000013598 vector Substances 0.000 claims description 77
- 230000006870 function Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 15
- 230000006806 disease prevention Effects 0.000 abstract description 6
- 230000009897 systematic effect Effects 0.000 abstract description 6
- 241000196324 Embryophyta Species 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000025865 Ulcer Diseases 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000221785 Erysiphales Species 0.000 description 1
- 241000346285 Ostrinia furnacalis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种病虫害识别及模型训练方法、装置、电子设备及存储介质。该病虫害识别方法采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。该病虫害识别方法通过训练好的病虫害识别模型对待识别图像进行病虫害识别，通过系统的病虫害识别方案，提高了病虫害防治效果。
Description
技术领域
本申请涉及农业信息化技术领域，具体涉及一种病虫害识别及模型训练方法、装置、电子设备及存储介质。
背景技术
目前的病虫害防治工作主要依靠种植人员根据经验进行病虫害类型的判别；在遇到种植人员无法根据经验确定的病虫害情形时，种植人员通常会求助于植保专家。
而种植人员的病虫害防治能力参差不齐，缺乏系统的解决方案；植保专家数量有限，也无法满足日益增长的种植需求；进而导致当前病虫害的防治效果不佳。
发明内容
本申请实施例的目的在于提供一种病虫害识别及模型训练方法、装置、电子设备及存储介质，以改善上述病虫害防治效果不佳的技术问题。
为实现上述目的，本申请提供如下技术方案：
第一方面，本申请实施例提供一种病虫害识别方法，所述方法包括：
获取待识别图像，所述待识别图像包括待识别农作物；
将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在上述方案中，该病虫害识别方法采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。该病虫害识别方法通过训练好的病虫害识别模型对待识别图像进行病虫害识别，通过系统的病虫害识别方案，提高了病虫害防治效果，解决了病虫害防治效果不佳的技术问题。
可选的，在获得所述病虫害识别模型输出的识别结果之后，所述方法还包括：获取所述识别结果中，所述第一相似度小于预设相似度阈值的待识别图像和属于可疑结果的待识别图像；其中，所述属于可疑结果的待识别图像为人工对所述识别结果标注获得；根据所述第一相似度小于预设相似度阈值的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化；和/或根据所述属于可疑结果的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化。
在上述方案中，通过获取第一相似度小于预设相似度阈值的待识别图像，以及属于可疑结果的待识别图像，并根据第一相似度小于预设相似度阈值的待识别图像及其识别结果对病虫害识别模型的内部参数进行优化；和/或根据属于可疑结果的待识别图像及其识别结果对病虫害识别模型的内部参数进行优化，可以进一步提高病虫害识别模型的准确性，进而提高病虫害防治效果。
可选的，所述采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：对所述第一农作物图像进行分割，生成第一分割图像；遮挡预设百分比范围的所述第一分割图像，得到遮挡后的第一遮挡图像；基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络。
在上述方案中，采用对比训练的方式，通过遮挡获得第一遮挡图像，并基于第一遮挡图像和第一农作物图像获得训练好的特征提取网络。
可选的，所述基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：构建学生网络和教师网络；将所述第一遮挡图像输入所述学生网络，获得所述学生网络输出的学生特征向量；将所述第一农作物图像输入所述教师网络；获得所述教师网络输出的教师特征向量；基于所述学生特征向量、所述教师特征向量以及损失函数，计算学生网络损失函数值；根据所述学生网络损失函数值更新所述学生网络的参数，并根据指数移动平均算法更新所述教师网络的参数，直至所述学生网络损失函数值小于预设损失值；将所述学生网络损失函数值小于预设损失值时的学生网络参数作为所述特征提取网络的参数，获得训练好的特征提取网络。
在上述方案中，通过构建学生网络和教师网络，将第一遮挡图像和第一农作物图像分别输入到学生网络和教师网络，根据所输出的学生特征向量、教师特征向量计算学生网络损失函数值，并基于该学生网络损失函数值更新学生网络参数，根据指数移动平均算法更新教师网络参数，直至模型收敛，将收敛的学生网络的参数作为特征提取网络的参数，进而获得训练好的特征提取网络。
可选的，所述采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型，包括：将所述第二农作物图像输入到所述待训练病虫害识别模型，获取所述特征提取网络输出的特征提取向量；将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量；根据所述多分类特征向量和交叉熵损失计算公式，计算交叉损失函数值；基于所述交叉损失函数值对所述多分类器进行参数优化，直至所述多分类器收敛，获得训练好的所述病虫害识别模型。
在上述方案中，采用第二农作物图像对由上述训练好的特征提取网络和待训练多分类器构成的待训练病虫害识别模型进行微调，以获得训练好的病虫害识别模型。
第二方面，本申请实施例提供一种病虫害识别模型训练方法，所述病虫害识别模型包括特征提取网络和多分类器，所述方法包括：
采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在上述方案中，该病虫害识别模型训练方法采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。基于上述训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果，进而实现了系统的病虫害识别，提高了病虫害防治效果，解决了病虫害防治效果不佳的技术问题。
第三方面，本申请实施例提供一种病虫害识别装置，所述装置包括：
待识别图像获取模块，用于获取待识别图像，所述待识别图像包括待识别农作物；
识别结果获取模块，用于将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在上述方案中，该病虫害识别装置采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。该病虫害识别装置通过训练好的病虫害识别模型对待识别图像进行病虫害识别，通过系统的病虫害识别方案，提高了病虫害防治效果，解决了病虫害防治效果不佳的技术问题。
第四方面，本申请实施例提供一种病虫害识别模型训练装置，所述病虫害识别模型包括特征提取网络和多分类器，所述装置包括：
预训练模块，用于采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
待训练病虫害识别模型训练模块，用于采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在上述方案中，该病虫害识别模型训练装置采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。基于上述训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果，进而实现了系统的病虫害识别，提高了病虫害防治效果，解决了病虫害防治效果不佳的技术问题。
第五方面，本申请实施例提供一种电子设备，包括：存储器以及处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行第一方面或第二方面任意一种可能的实现方式提供的方法。
第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行第一方面或第二方面任意一种可能的实现方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种病虫害识别方法的流程示意图；
图2为本申请实施例提供的另一种病虫害识别方法的流程示意图；
图3为本申请实施例提供的一种特征提取网络的结构示意图；
图4为本申请实施例提供的一种多分类器的结构示意图；
图5为本申请实施例提供的一种病虫害识别模型训练方法的流程示意图；
图6为本申请实施例提供的一种病虫害识别装置的结构示意图；
图7为本申请实施例提供的一种病虫害识别系统的结构示意图；
图8为本申请实施例提供的一种病虫害识别模型训练装置的结构示意图；
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来，而不能理解为指示或暗示相对重要性，也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
针对现有技术中存在的不足，本申请实施例提供一种病虫害识别方法，用于改善上述病虫害防治效果不佳的技术问题。
请参照图1，图1为本申请实施例提供的一种病虫害识别方法的流程示意图，该病虫害识别方法，包括：
步骤101、获取待识别图像，所述待识别图像包括待识别农作物；
步骤102、将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
其中，在步骤101中，待识别图像指的是需要进行病虫害识别的图像；待识别图像中可以包括需要进行病虫害识别的农作物的根、茎、叶、花、果实、种子中的至少一种。待识别图像可以是种植人员在手机应用端或电脑应用端上传的图像，也可以是设置在农作物周围的自动拍摄设备上传的图像。
其中，在步骤102中，训练好的病虫害识别模型包括特征提取网络和多分类器。第一病虫害类别包括白粉病、玉米螟、锈病、溃疡病等；病虫害位置坐标指的是该待识别图像中患病虫害区域的位置坐标；第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率。
第一农作物图像指的是不带标签的农作物图像，即未标注相应的病虫害类别的农作物图像；第二农作物图像指的是带标签的农作物图像，即标注了相应的病虫害类别的农作物图像。
该病虫害识别方法还可以包括：获取所述待识别图像的农作物种类，根据所述农作物种类选择相应的训练好的农作物病虫害识别模型，将所述待识别图像输入到所述农作物病虫害识别模型中，以获得所述农作物病虫害识别模型输出的识别结果；所述识别结果包括所述待识别图像的第一病虫害类别、病虫害位置坐标以及第一相似度。识别结果还可以从病虫害知识库中获取的与第一病虫害类别相关的病虫害知识，具体包括该第一病虫害类别的典型图片、相关症状及其防治知识等。
由上可知，本申请提供的一种病虫害识别方法，该病虫害识别方法采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。再通过训练好的病虫害识别模型对待识别图像进行识别，以获得上述病虫害识别模型输出的识别结果。该病虫害识别方法通过训练好的病虫害识别模型对待识别图像进行病虫害识别，通过系统的病虫害识别方案，提高了病虫害防治效果，解决了病虫害防治效果不佳的技术问题。
请参照图2，图2为本申请实施例提供的另一种病虫害识别方法的流程示意图。首先，对收集到的历史病虫害图像进行预处理，预处理可以包括剔除不包含农作物的图像，不清楚的图像等，再将预处理后的历史病虫害图像划分为预训练集和微调集，其中，预训练集中包含未标注病虫害类别的历史病虫害图像，微调集中包含标注了病虫害类别的历史病虫害图像。根据预训练集中的历史病虫害图像进行预训练，并根据微调集中的历史病虫害图像对待训练病虫害识别模型进行微调，进而获得训练好的病虫害识别模型。基于训练好的病虫害识别模型对待识别图像进行病虫害识别，得到包括第一病虫害类别的识别结果，并从病虫害知识库中获取与识别出的第一病虫害类别相关的病虫害知识，将相关的病虫害知识一并纳入识别结果反馈给用户终端。将第一相似度较低的识别结果和用户终端反馈的可疑结果再次作为历史病虫害图像中，根据第一相似度较低的识别结果和用户终端反馈的可疑结果，对病虫害识别模型的内部参数再次优化。
在一些可选的实施例中，在获得所述病虫害识别模型输出的识别结果之后，所述方法还包括：获取所述识别结果中，所述第一相似度小于预设相似度阈值的待识别图像和属于可疑结果的待识别图像；其中，所述属于可疑结果的待识别图像为人工对所述识别结果标注获得；根据所述第一相似度小于预设相似度阈值的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化；和/或根据所述属于可疑结果的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化。
其中，预设相似度阈值可以是80％，也可以是90％，本申请对此不作具体限定。属于可疑结果的待识别图像是人工对上述识别结果标注获得的，可以是种植人员在接收到识别结果后，对识别结果中的第一相似度存疑。例如，种植人员觉得待识别图像所患的病虫害类别应该是溃疡病，而病虫害识别模型所输出的识别结果中的第一病虫害类别为锈病，且相似度为93％，此时，若种植人员不认可该识别结果中的第一病虫害类别，则确定该待识别图像的识别结果是可疑的，并人为地在用户终端上将该待识别图像的识别结果标记为可疑结果。还可以是种植人员发现由识别结果中的病虫害位置坐标做确定的病虫害区域，与待识别图像中的病虫害区域不符，进而确定该待识别图像的识别结果是可疑的，并人为地在用户终端上将该待识别图像的识别结果标注为可疑结果。
在一些可选的实施例中，所述采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：对所述第一农作物图像进行分割，生成第一分割图像；遮挡预设百分比范围的所述第一分割图像，得到遮挡后的第一遮挡图像；基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络。
其中，可以对第一农作物图像进行128*128的分割，生成蒙板，利用蒙板对第一分割图像进行预设百分比范围的遮挡，得到遮挡后的第一遮挡图像。预设百分比范围可以是大于50％，且小于70％，也可以是大于55％，小于65％，本申请对此不作具体限定。待训练特征提取网络可以采用在卷积层上叠加自注意力层的方式进行设计。
请参照图3，图3为本申请实施例提供的一种特征提取网络的结构示意图；具体地，以输入的图像大小为512*512为例，将图像输入第一模块，第一模块包括第一个卷积层和第一个自注意力层。输入的图像经第一个3*3的卷积层后，输出一个512*512*256的第一特征图。第一特征图沿深度方向解耦，依次排列为一个16384*256的第一特征向量序列。将第一特征向量序列和位置向量相加后，馈送入第一个标准自注意力层，并输出第二特征向量序列，将第二特征向量序列上每位特征向量依排列顺序，重构第一特征图，将第一特征图输入由第二个卷积层和第二个自注意力层组成的第二模块，重复和第一模块相同的操作；而后再输入由第三个卷积层和第三个自注意力层组成的第三模块，重复和第一模块相同的操作，第三模块输出的第三特征图。将第三特征图沿深度方向解耦，依次排列为一个64*1024的第三特征向量序列，并加入一个1*1024的第三特征向量，形成一个64*1024+1*1024的第四特征向量序列。第四特征向量序列经标准注意力层计算后输出一个64*1024+1*1024的第五特征向量。
在一些可选的实施例中，所述基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：构建学生网络和教师网络；将所述第一遮挡图像输入所述学生网络，获得所述学生网络输出的学生特征向量；将所述第一农作物图像输入所述教师网络；获得所述教师网络输出的教师特征向量；基于所述学生特征向量、所述教师特征向量以及损失函数，计算学生网络损失函数值；根据所述学生网络损失函数值更新所述学生网络的参数，并根据指数移动平均算法更新所述教师网络的参数，直至所述学生网络损失函数值小于预设损失值；将所述学生网络损失函数值小于预设损失值时的学生网络参数作为所述特征提取网络的参数，获得训练好的特征提取网络。
其中，构建教师、学生网络，即采用迁移学习方法。教师网络即更加复杂，且具有非常好的性能和泛化能力的网络。通过教师网络来指导学生网络的学习，以使得更加简单，参数运算量更少的学生网络也可以具有和教师网络相近的性能。其中，损失函数可以是MAE损失函数即平均绝对误差(Mean Absolute Error)损失函数。MAE损失函数，即
其中，Ls为学生网络损失函数值，Vtm为损失学生特征向量，Vsm为损失学生特征向量。
基于所述学生特征向量、所述教师特征向量以及MAE损失函数，计算学生网络损失函数值，包括：获得去除了上述学生特征向量中人为加入的第一cls位向量的损失学生特征向量，获得去除了上述教师特征向量中人为加入的第一cls位向量的损失教师特征向量，基于所述损失学生特征向量、所述损失教师特征向量以及MAE损失函数，计算学生网络损失函数值。
具体地，根据指数移动平均算法更新上述教师网络的参数，即采用公式Xt←τXt+(1-τ)Xs更新上述教师网络的参数，其中，τ为指数移动平均缩放系数，τ∈[0,1]，并根据时间依照Δτ＝0.01τ0逐步增加，τ0为指数移动平均缩放系数增加前的值；Xs为学生网络的参数，Xt为教师网络的参数。
在一些可选的实施例中，所述采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型，包括：将所述第二农作物图像输入到所述待训练病虫害识别模型，获取所述特征提取网络输出的特征提取向量；将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量；根据所述多分类特征向量和交叉熵损失计算公式，计算交叉损失函数值；基于所述交叉损失函数值对所述多分类器进行参数优化，直至所述多分类器收敛，获得训练好的所述病虫害识别模型。
请参照图4，图4为本申请实施例提供的一种多分类器的结构示意图。其中，将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量，具体包括：获取所述特征提取向量中人为加入的第二cls位向量，将所述第二cls位向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量。
基于
即交叉熵损失计算公式，对多分类器进行参数优化；其中，Lmlp为交叉损失函数值，
为多分类特征向量，yi为第二农作物图像的分类标签，当输入的第二农作物图像的分类标签为第i类时，yi为1，当输入的第二农作物图像的分类标签不是第i类时，yi为0，ncls为多分类特征向量的维数。
请参照图5，图5为本申请实施例提供的一种病虫害识别模型训练方法的流程示意图。该病虫害识别模型包括特征提取网络和多分类器，该病虫害识别模型训练方法，包括：
步骤201、采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
步骤202、采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在一些可选的实施例中，步骤201、采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：对所述第一农作物图像进行分割，生成第一分割图像；遮挡预设百分比范围的所述第一分割图像，得到遮挡后的第一遮挡图像；基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络。
在一些可选的实施例中，所述基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：构建学生网络和教师网络；将所述第一遮挡图像输入所述学生网络，获得所述学生网络输出的学生特征向量；将所述第一农作物图像输入所述教师网络；获得所述教师网络输出的教师特征向量；基于所述学生特征向量、所述教师特征向量以及损失函数，计算学生网络损失函数值；根据所述学生网络损失函数值更新所述学生网络的参数，并根据指数移动平均算法更新所述教师网络的参数，直至所述学生网络损失函数值小于预设损失值；将所述学生网络损失函数值小于预设损失值时的学生网络参数作为所述特征提取网络的参数，获得训练好的特征提取网络。
在一些可选的实施例中，步骤202、采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型，包括：将所述第二农作物图像输入到所述待训练病虫害识别模型，获取所述特征提取网络输出的特征提取向量；将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量；根据所述多分类特征向量和交叉熵损失计算公式，计算交叉损失函数值；基于所述交叉损失函数值对所述多分类器进行参数优化，直至所述多分类器收敛，获得训练好的所述病虫害识别模型。
请参照图6，图6为本申请实施例提供的一种病虫害识别装置的结构示意图，该病虫害识别装置，包括：
待识别图像获取模块301，用于获取待识别图像，所述待识别图像包括待识别农作物；
识别结果获取模块302，用于将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
在一些可选的实施例中，该病虫害识别装置，还包括：可疑结果获取模块，用于获取所述识别结果中，所述第一相似度小于预设相似度阈值的待识别图像和属于可疑结果的待识别图像；其中，所述属于可疑结果的待识别图像为人工对所述识别结果标注获得；可疑结果优化模块，用于根据所述第一相似度小于预设相似度阈值的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化；和/或根据所述属于可疑结果的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化。
在一些可选的实施例中，该病虫害识别装置，还包括：分割模块，用于对所述第一农作物图像进行分割，生成第一分割图像；遮挡预设百分比范围的所述第一分割图像，得到遮挡后的第一遮挡图像；特征提取预训练模块，用于基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络。
在一些可选的实施例中，该病虫害识别装置，还包括：网络构建模块，用于构建学生网络和教师网络；特征向量输出模块，用于将所述第一遮挡图像输入所述学生网络，获得所述学生网络输出的学生特征向量；以及将所述第一农作物图像输入所述教师网络；获得所述教师网络输出的教师特征向量；学生网络损失函数值计算模块，用于基于所述学生特征向量、所述教师特征向量以及损失函数，计算学生网络损失函数值；参数更新模块，用于根据所述学生网络损失函数值更新所述学生网络的参数，并根据指数移动平均算法更新所述教师网络的参数，直至所述学生网络损失函数值小于预设损失值；参数回代模块，用于将所述学生网络损失函数值小于预设损失值时的学生网络参数作为所述特征提取网络的参数，获得训练好的特征提取网络。
在一些可选的实施例中，该病虫害识别装置，还包括：特征提取向量获取模块，用于将所述第二农作物图像输入到所述待训练病虫害识别模型，获取所述特征提取网络输出的特征提取向量；多分类特征向量获取模块，用于将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量；交叉损失函数值计算模块，用于根据所述多分类特征向量和交叉熵损失计算公式，计算交叉损失函数值；多分类器参数优化模块，用于基于所述交叉损失函数值对所述多分类器进行参数优化，直至所述多分类器收敛，获得训练好的所述病虫害识别模型。
请参照图7，图7为本申请实施例提供的一种病虫害识别系统的结构示意图。该病虫害识别系统包括应用端，具体包括：手机APP(Application)、PC(Personal Computer)端应用等，服务端，具体包括：病虫害识别模型、农作物数据库等，数据采集端。手机APP主要用于识别用户所上传的可能患病害或虫害的待识别图像，对待识别图像中的病害或虫害进行识别，并保存识别记录。PC端主要用于完成对农作物表、病虫害表、病虫害知识库等基础数据进行管理维护，图片分类、图片上传以及图片筛选等图片管理工作，以及识别记录的分类和筛选查询工作。病虫害识别模型主要包括目标检测模型、病害识别模型和虫害识别模型，通过更加细致的模型划分，可以提高病虫害识别的准确度。农作物数据库中存储了作物表、病虫害表、病虫害知识库、病虫害图片库以及识别记录等数据。其中，作物表具体包括作物编号、作物种类等；病虫害表主要包括病虫害编号、病虫害名称、病虫害类别等；病虫害知识库主要包括病虫害编号、典型图片、症状/特征、防治措施、有效成分等；病虫害图片库主要包括病虫害图片、病虫害编号、作物编号、添加日期、所处地区/基地/农场等；识别记录主要包括识别时间、地址、病虫害名称、图片、识别人/设备等。可以通过APP图片上传或PC端图片上传或拍摄设备自动拍摄/抓拍来获取农作物图像。
请参照图8，图8为本申请实施例提供的一种病虫害识别模型训练装置的结构示意图，该病虫害识别模型包括特征提取网络和多分类器，该病虫害识别模型训练装置，包括：
预训练模块401，用于采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
预训练病虫害模型训练模块402，用于采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
上述病虫害识别装置、病虫害识别模型训练方法以及病虫害模型训练装置的具体实施方式，参照上述病虫害识别方法的具体实施方式，本申请对此不再重复说明。
图9为本申请实施例提供的一种电子设备的结构示意图。参照图9，电子设备5包括：处理器501、存储器502，这些组件通过通信总线503和/或其他形式的连接机构(未示出)互连并相互通讯。
其中，存储器502包括一个或多个(图中仅示出一个)，其可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory，简称EEPROM)等。处理器501以及其他可能的组件可对存储器502进行访问，读和/或写其中的数据。
处理器501包括一个或多个(图中仅示出一个)，其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器501可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、微控制单元(Micro Controller Unit，简称MCU)、网络处理器(Network Processor，简称NP)或者其他常规处理器；还可以是专用处理器，包括神经网络处理器(Neural-network Processing Unit，简称NPU)、图形处理器(Graphics ProcessingUnit，简称GPU)、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuits，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。并且，在处理器501为多个时，其中的一部分可以是通用处理器，另一部分可以是专用处理器。
在存储器502中可以存储一个或多个计算机程序指令，处理器501可以读取并运行这些计算机程序指令，以实现本申请实施例提供的病虫害识别方法或病虫害识别模型训练方法。
可以理解的，图9所示的结构仅为示意，电子设备5还可以包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的结构。图9中所示的各组件可以采用硬件、软件或其组合实现。电子设备5可能是实体设备，例如PC机、笔记本电脑、平板电脑、手机、服务器、嵌入式设备等，也可能是虚拟设备，例如虚拟机、虚拟化容器等。并且，电子设备5也不限于单台设备，也可以是多台设备的组合或者大量设备构成的集群。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被计算机的处理器读取并运行时，执行本申请实施例提供的病虫害识别方法或病虫害识别模型训练方法。例如，计算机可读存储介质可以实现为图9中电子设备5中的存储器502。
在本申请所提供的实施例中，应该理解到，所揭露装置以及系统，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种病虫害识别方法，其特征在于，所述方法包括：
获取待识别图像，所述待识别图像包括待识别农作物；
将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
2.根据权利要求1所述的方法，其特征在于，在获得所述病虫害识别模型输出的识别结果之后，所述方法还包括：
获取所述识别结果中，所述第一相似度小于预设相似度阈值的待识别图像和属于可疑结果的待识别图像；其中，所述属于可疑结果的待识别图像为人工对所述识别结果标注获得；
根据所述第一相似度小于预设相似度阈值的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化；和/或
根据所述属于可疑结果的待识别图像及其识别结果，对所述病虫害识别模型的内部参数进行优化。
3.根据权利要求1所述的方法，其特征在于，所述采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：
对所述第一农作物图像进行分割，生成第一分割图像；
遮挡预设百分比范围的所述第一分割图像，得到遮挡后的第一遮挡图像；
基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一遮挡图像以及所述第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络，包括：
构建学生网络和教师网络；
将所述第一遮挡图像输入所述学生网络，获得所述学生网络输出的学生特征向量；
将所述第一农作物图像输入所述教师网络；获得所述教师网络输出的教师特征向量；
基于所述学生特征向量、所述教师特征向量以及损失函数，计算学生网络损失函数值；
根据所述学生网络损失函数值更新所述学生网络的参数，并根据指数移动平均算法更新所述教师网络的参数，直至所述学生网络损失函数值小于预设损失值；
将所述学生网络损失函数值小于预设损失值时的学生网络参数作为所述特征提取网络的参数，获得训练好的特征提取网络。
5.根据权利要求4所述的方法，其特征在于，所述采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型，包括：
将所述第二农作物图像输入到所述待训练病虫害识别模型，获取所述特征提取网络输出的特征提取向量；
将所述特征提取向量输入到待训练多分类器，获得所述待训练多分类器的多分类特征向量；
根据所述多分类特征向量和交叉熵损失计算公式，计算交叉损失函数值；
基于所述交叉损失函数值对所述多分类器进行参数优化，直至所述多分类器收敛，获得训练好的所述病虫害识别模型。
6.一种病虫害识别模型训练方法，其特征在于，所述病虫害识别模型包括特征提取网络和多分类器，所述方法包括：
采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
7.一种病虫害识别装置，其特征在于，所述装置包括：
待识别图像获取模块，用于获取待识别图像，所述待识别图像包括待识别农作物；
识别结果获取模块，用于将所述待识别图像输入到训练好的病虫害识别模型中，获得所述病虫害识别模型输出的识别结果；所述识别结果包括所述待识别农作物的第一病虫害类别、病虫害位置坐标以及第一相似度；
其中，所述第一相似度指的是所述待识别农作物患有所述第一病虫害类别的概率；所述病虫害识别模型包括特征提取网络和多分类器；其中，采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
8.一种病虫害识别模型训练装置，其特征在于，所述病虫害识别模型包括特征提取网络和多分类器，所述装置包括：
预训练模块，用于采用不带标签的第一农作物图像对待训练特征提取网络进行预训练，获得训练好的特征提取网络；
待训练病虫害识别模型训练模块，用于采用带标签的第二农作物图像对待训练病虫害识别模型进行训练，获得训练好的所述病虫害模型；所述待训练病虫害识别模型包括所述训练好的特征提取网络和待训练多分类器。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的方法。
10.一种计算机可读存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247616.3A CN114596468A (zh) | 2022-03-14 | 2022-03-14 | 病虫害识别及模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247616.3A CN114596468A (zh) | 2022-03-14 | 2022-03-14 | 病虫害识别及模型训练方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114596468A true CN114596468A (zh) | 2022-06-07 |
Family
ID=81809641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210247616.3A Pending CN114596468A (zh) | 2022-03-14 | 2022-03-14 | 病虫害识别及模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596468A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
| CN116703837A (zh) * | 2023-05-24 | 2023-09-05 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于mri图像的肩袖损伤智能识别方法及装置 |
| CN116935230A (zh) * | 2023-09-13 | 2023-10-24 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
| CN116994064A (zh) * | 2023-08-25 | 2023-11-03 | 河北地质大学 | 一种种子病变粒识别方法及种子智能筛选系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348437A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习与遮挡感知的目标检测方法 |
| KR20200121206A (ko) * | 2019-04-15 | 2020-10-23 | 계명대학교 산학협력단 | 심층 네트워크와 랜덤 포레스트가 결합된 앙상블 분류기의 경량화를 위한 교사-학생 프레임워크 및 이를 기반으로 하는 분류 방법 |
| CN111914914A (zh) * | 2020-07-21 | 2020-11-10 | 上海理想信息产业（集团）有限公司 | 一种病虫害的识别方法、装置、设备和存储介质 |
| CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
| CN113222123A (zh) * | 2021-06-15 | 2021-08-06 | 深圳市商汤科技有限公司 | 模型训练方法、装置、设备及计算机存储介质 |
| CN113610163A (zh) * | 2021-08-09 | 2021-11-05 | 安徽工业大学 | 一种基于知识蒸馏的轻量级苹果叶片病害识别方法 |
| CN113837073A (zh) * | 2021-09-22 | 2021-12-24 | 广西大学 | 一种基于卷积神经网络的核桃虫害识别系统及检测方法 |
| CN113869352A (zh) * | 2021-08-16 | 2021-12-31 | 深延科技(北京)有限公司 | 模型训练方法、服装检索方法及相关装置 |
-
2022
- 2022-03-14 CN CN202210247616.3A patent/CN114596468A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200121206A (ko) * | 2019-04-15 | 2020-10-23 | 계명대학교 산학협력단 | 심층 네트워크와 랜덤 포레스트가 결합된 앙상블 분류기의 경량화를 위한 교사-학생 프레임워크 및 이를 기반으로 하는 분류 방법 |
| CN110348437A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习与遮挡感知的目标检测方法 |
| CN111914914A (zh) * | 2020-07-21 | 2020-11-10 | 上海理想信息产业（集团）有限公司 | 一种病虫害的识别方法、装置、设备和存储介质 |
| CN112001370A (zh) * | 2020-09-29 | 2020-11-27 | 中国农业科学院农业信息研究所 | 一种农作物病虫害识别方法及系统 |
| CN113222123A (zh) * | 2021-06-15 | 2021-08-06 | 深圳市商汤科技有限公司 | 模型训练方法、装置、设备及计算机存储介质 |
| CN113610163A (zh) * | 2021-08-09 | 2021-11-05 | 安徽工业大学 | 一种基于知识蒸馏的轻量级苹果叶片病害识别方法 |
| CN113869352A (zh) * | 2021-08-16 | 2021-12-31 | 深延科技(北京)有限公司 | 模型训练方法、服装检索方法及相关装置 |
| CN113837073A (zh) * | 2021-09-22 | 2021-12-24 | 广西大学 | 一种基于卷积神经网络的核桃虫害识别系统及检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
| CN116703837A (zh) * | 2023-05-24 | 2023-09-05 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于mri图像的肩袖损伤智能识别方法及装置 |
| CN116703837B (zh) * | 2023-05-24 | 2024-02-06 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于mri图像的肩袖损伤智能识别方法及装置 |
| CN116994064A (zh) * | 2023-08-25 | 2023-11-03 | 河北地质大学 | 一种种子病变粒识别方法及种子智能筛选系统 |
| CN116994064B (zh) * | 2023-08-25 | 2024-02-27 | 河北地质大学 | 一种种子病变粒识别方法及种子智能筛选系统 |
| CN116935230A (zh) * | 2023-09-13 | 2023-10-24 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
| CN116935230B (zh) * | 2023-09-13 | 2023-12-15 | 山东建筑大学 | 作物病虫害识别方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114596468A (zh) | 病虫害识别及模型训练方法、装置、电子设备及存储介质 | |
| Huang et al. | Deep learning versus Object-based Image Analysis (OBIA) in weed mapping of UAV imagery | |
| Kamilaris et al. | Deep learning in agriculture: A survey | |
| CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
| Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
| Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
| DE112020005609T5 (de) | Domainanpassung für semantische Segmentierung durch Ausnutzen schwacher Etiketten | |
| CN110309856A (zh) | 图像分类方法、神经网络的训练方法及装置 | |
| CN109191455A (zh) | 一种基于ssd卷积网络的大田作物病虫害检测方法 | |
| CN110321956B (zh) | 一种基于人工智能的牧草病虫害治理方法及装置 | |
| CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| Kamath et al. | Classification of paddy crop and weeds using semantic segmentation | |
| Zeng et al. | Identification of maize leaf diseases by using the SKPSNet-50 convolutional neural network model | |
| Amrani et al. | Insect detection from imagery using YOLOv3-based adaptive feature fusion convolution network | |
| Jiang | A novel crop weed recognition method based on transfer learning from VGG16 implemented by Keras | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| Astonkar et al. | Detection and analysis of plant diseases using image processing | |
| Varghese et al. | INFOPLANT: Plant recognition using convolutional neural networks | |
| Sagarika et al. | Paddy plant disease classification and prediction using convolutional neural network | |
| CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
| Rustowicz | Crop classification with multi-temporal satellite imagery | |
| Engvall et al. | Pattern recognition of Landsat data based upon temporal trend analysis | |
| Gan et al. | Strawberry disease and pest identification and control based on se-resnext50 model | |
| CN116188855A (zh) | 多尺度的植物病害识别方法、设备、存储介质及装置 |
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 |