CN115239708B - 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法 - Google Patents

植物叶片疾病检测模型训练方法和植物叶片疾病检测方法 Download PDF

Info

Publication number
CN115239708B
CN115239708B CN202211146701.7A CN202211146701A CN115239708B CN 115239708 B CN115239708 B CN 115239708B CN 202211146701 A CN202211146701 A CN 202211146701A CN 115239708 B CN115239708 B CN 115239708B
Authority
CN
China
Prior art keywords
data set
parameters
model
domain data
classifier
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.)
Active
Application number
CN202211146701.7A
Other languages
English (en)
Other versions
CN115239708A (zh
Inventor
赵汝准
黄英健
谭伟潮
夏晶晶
王飞仁
陈健林
朱裕昌
蔡沛录
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.)
Guangdong Mechanical and Electrical College
Original Assignee
Guangdong Mechanical and Electrical College
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 Guangdong Mechanical and Electrical College filed Critical Guangdong Mechanical and Electrical College
Priority to CN202211146701.7A priority Critical patent/CN115239708B/zh
Publication of CN115239708A publication Critical patent/CN115239708A/zh
Application granted granted Critical
Publication of CN115239708B publication Critical patent/CN115239708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种植物叶片疾病检测模型训练方法和植物叶片疾病检测方法。所述方法包括：获取关于植物叶片的源域数据集与目标域数据集；将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；根据分类结果调整域自适应层的参数和分类器的参数；在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。采用本方法能够提高植物叶片疾病监测的准确性。

Description

植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
技术领域
本申请涉及图像处理领域技术领域，特别是涉及一种植物叶片疾病检测模型训练方法和植物叶片疾病检测方法。
背景技术
农作物的疾病严重影响其生长与结果，导致其产量以及质量下降，造成极大的经济损失。根据统计，全世界范围内的农作物产量下降有20%-40%是由农作物疾病引起的。很多植物疾病可以在早期通过观察叶片进行诊断，从而在疾病早期进行有效的防治，这也是植物疾病检测中最有效的方法之一。
当前，叶片疾病检测通常采用视觉的方式，通过深度学习模型对植物叶片图像进行分类。现有叶片疾病检测技术可分为3类：传统深度学习方法、小样本学习方法以及自监督学习方法。传统深度学习方法采用监督学习的方式训练叶片疾病检测模型，需要大量具有标注的叶片疾病标准数据集进行训练；然而，训练所用的数据采集以及标注是非常耗时耗力的。小样本学习方法是通过在源域图像上以监督学习的方式对模型进行训练，让模型学会分辨图像的异同，然后在少量具有标签的支撑集的帮助下应用到未见过的类别上的疾病检测；然而，小样本学习的方法仍然无法摆脱大量有标签数据。自监督学习则是近年来兴起的技术，自监督学习主要是通过大量无标签的数据对模型进行预训练，而后采用少量有标签数据进行微调。
就叶片疾病检测而言，获取大量无标签的叶片图像是比较简单的，但是由于植物疾病专业知识缺乏等原因，对叶片图像进行标注则是非常困难的事情。然而，由于无标签叶片图像采集过程比较随意，导致预训练阶段使用的叶片图像拍摄角度与微调阶段的存在差异，并且无标签图像中可能混入与植物叶片无关的图像，进而导致预训练的数据集与微调阶段的数据集存在特征分布偏移，最终导致模型应用效果欠佳。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高植物叶片疾病监测的准确性的植物叶片疾病检测模型训练方法和植物叶片疾病检测方法。
一种植物叶片疾病检测模型训练方法，所述方法包括：
获取关于植物叶片的源域数据集与目标域数据集；
将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
根据分类结果调整域自适应层的参数和分类器的参数；
在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
在其中一个实施例中，所述将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示，包括：按照孪生网络框架，构建编码器
Figure DEST_PATH_IMAGE001
的模型与预测器
Figure 467978DEST_PATH_IMAGE002
的模型；对源域数据集中的图像
Figure DEST_PATH_IMAGE003
，先进行数据增强，获得第一增强图
Figure 17908DEST_PATH_IMAGE004
和第二增强图
Figure DEST_PATH_IMAGE005
；将第一增强图
Figure 587692DEST_PATH_IMAGE006
和第二增强图
Figure 84532DEST_PATH_IMAGE005
分别输入编码器
Figure DEST_PATH_IMAGE007
得到第一编码特征向量
Figure 594011DEST_PATH_IMAGE008
、第二编码特征向量
Figure DEST_PATH_IMAGE009
，公式如下：
Figure 846001DEST_PATH_IMAGE010
Figure 837834DEST_PATH_IMAGE011
其中，f（▪）表示编码器的模型函数；将
Figure 872786DEST_PATH_IMAGE012
、
Figure 767930DEST_PATH_IMAGE013
分别输入预测器
Figure 597345DEST_PATH_IMAGE002
得到第一预测向量
Figure 781202DEST_PATH_IMAGE014
、第二预测向量
Figure 744479DEST_PATH_IMAGE015
，公式如下：
Figure 103916DEST_PATH_IMAGE016
Figure 995911DEST_PATH_IMAGE017
其中，h（▪）表示预测器的模型函数；确定损失函数的计算公式如下：
Figure 73588DEST_PATH_IMAGE018
Figure 840556DEST_PATH_IMAGE019
其中，L为损失函数，D为余弦相似度，stopgrad（▪）为去除梯度操作函数，||▪||2为L2范式；根据损失函数的值，采用梯度下降与反向传播算法更新编码器
Figure 320079DEST_PATH_IMAGE007
的模型参数与预测器
Figure 881510DEST_PATH_IMAGE020
的模型参数；重复根据源域数据集中的图像进行数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数；遍历源域数据集中每一张图像，重复数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数，前向传播得到每张图像的源域特征表示
Figure 243222DEST_PATH_IMAGE021
，保存编码器
Figure 423667DEST_PATH_IMAGE022
最终的模型参数。
在其中一个实施例中，所述将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器进行分类，得到分类结果，包括：加载编码器
Figure 882330DEST_PATH_IMAGE023
的模型参数、源域数据集的源域特征表示、自适应层和分类器；将目标域数据集中每张图像及其对应的标签，输入编码器
Figure 490029DEST_PATH_IMAGE024
，得到第一特征zt；将特征zt输入自适应层进行处理，得到第二特征z´t；将第二特征z´t输入分类器，得到分类结果
Figure 159608DEST_PATH_IMAGE025
。
在其中一个实施例中，所述根据分类结果调整域自适应层的参数和分类器的参数，包括：根据分类结果
Figure 878166DEST_PATH_IMAGE026
计算多任务模型的模型总损失函数，公式如下：
Figure 456915DEST_PATH_IMAGE027
其中，Ltotal为模型总损失函数，Lcls为模型分类损失，模型分类损失表示分类标签
Figure 235515DEST_PATH_IMAGE028
与分类结果
Figure 634135DEST_PATH_IMAGE026
之间的差异，LMMD为域分布对齐损失，域分布对齐损失为源域数据集的源域特征表示与对齐后的目标域数据的特征表示之间的分布距离，α为域分布对齐损失的系数；根据模型总损失函数的值，利用梯度下降与反向传播算法更新域自适应层的参数和分类器的参数。
在其中一个实施例中，在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数，包括：在模型的训练此时达到训练次数或者模型总损失函数的值小于预设值时，保存最终的域自适应层的参数和分类器的参数。
在其中一个实施例中，所述标签为植物类型标签和/或是否存在疾病标签。
一种植物叶片疾病检测方法，包括：
获取待检测的植物叶片图像；
将所述待检测的植物叶片图像输入上述植物叶片疾病检测模型，得到植物类型和/或是否存在疾病。
一种植物叶片疾病检测模型训练装置，所述装置包括：
数据集获取模块，用于获取关于植物叶片的源域数据集与目标域数据集；
训练模块，用于将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
分类模块，用于将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
参数调整模块，用于根据分类结果调整域自适应层的参数和分类器的参数；
参数确定模块，用于在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
模型确定模块，用于根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取关于植物叶片的源域数据集与目标域数据集；
将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
根据分类结果调整域自适应层的参数和分类器的参数；
在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取关于植物叶片的源域数据集与目标域数据集；
将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
根据分类结果调整域自适应层的参数和分类器的参数；
在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
上述植物叶片疾病检测模型训练方法、植物叶片疾病检测方法、植物叶片疾病检测模型训练装置、计算机设备和存储介质，通过对比学习的方式进行编码器的自监督预训练，并且通过少量有标签的图像进行微调，加入域自适应层对齐源域数据集与目标域数据集的特征分布，本申请这种处理方式，在少量有标签数据的情况下实现叶片疾病检测模型的训练，增强了模型的鲁棒性。
附图说明
图1为一个实施例中植物叶片疾病检测模型训练方法的应用环境图；
图2为一个实施例中植物叶片疾病检测模型训练方法的流程示意图；
图3为一个实施例中植物叶片疾病检测模型结构示意图；
图4为一个实施例中植物叶片疾病检测方法的流程示意图；
图5为一个实施例中植物叶片疾病检测模型训练装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的植物叶片疾病检测模型训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104从终端102获取关于植物叶片的源域数据集与目标域数据集；将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；根据分类结果调整域自适应层的参数和分类器的参数；在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种植物叶片疾病检测模型训练方法，包括以下步骤：
S110，获取关于植物叶片的源域数据集与目标域数据集。
其中，源域数据集图像、目标域数据集图像通过安装在检测机器人的摄像头获取。通过摄像头获取的待检测的植物叶片图像发送至机器人内置服务器或者后台服务器进行处理。
其中，源域数据集为现实场景采集的无标签植物叶片图像数据，拍摄角度、光照、背景等无限制。另外，源域数据集中可能包含无植物叶片或者与植物叶片疾病检测任务无关的图像数据。目标域数据集为背景单一、正面拍摄且具有分类标签的图像数据。
其中，源域与目标域数据集可能存在分布偏移，分布偏移包括：源域数据集与目标域数据集中植物叶片的拍摄角度、光照、背景不同；源域数据集中包含无叶片或者与植物叶片疾病检测任务无关的图像数据。
S120，将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示。
其中，对比学习方法为SimSiam，其思路是采用孪生网络框架，两个分支共享相同的编码器，对比学习的目的是最小化同一张图像的2张增强图特征之间相似度，以此来指导编码器模型的参数更新。编码器的模型包括Backbone（Resnet 50，残差网络）与映射MLP（3层全连接层）。
S130，将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果。
其中，域自适应层用于对齐源域与目标域之间的特征分布，为分类器提供良好的特征表示，分类器根据特征表示对待检测植物叶片图像进行分类。
S140，根据分类结果调整域自适应层的参数和分类器的参数。
S150，在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数。
其中，步骤S130、步骤S140和步骤S150的目的是训练域自适应层与分类器。
S160，根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
上述植物叶片疾病检测模型训练方法中，通过对比学习的方式进行编码器的自监督预训练，并且通过少量有标签的图像进行微调，加入域自适应层对齐源域数据集与目标域数据集的特征分布，本申请这种处理方式，在少量有标签数据的情况下实现叶片疾病检测模型的训练，增强了模型的鲁棒性。
在其中一个实施例中，如图3所示，所述将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示，包括：
按照孪生网络框架，构建编码器
Figure 156383DEST_PATH_IMAGE023
的模型与预测器
Figure 589639DEST_PATH_IMAGE029
的模型；
对源域数据集中的图像
Figure 335878DEST_PATH_IMAGE030
，先进行数据增强，获得第一增强图
Figure 97160DEST_PATH_IMAGE031
和第二增强图
Figure 783619DEST_PATH_IMAGE032
；
将第一增强图
Figure 946747DEST_PATH_IMAGE033
和第二增强图
Figure 863887DEST_PATH_IMAGE034
分别输入编码器
Figure 502679DEST_PATH_IMAGE022
得到第一编码特征向量
Figure 366730DEST_PATH_IMAGE035
、第二编码特征向量
Figure 243419DEST_PATH_IMAGE036
，公式如下：
Figure 800302DEST_PATH_IMAGE037
Figure 332915DEST_PATH_IMAGE038
其中，f（▪）表示编码器的模型函数；
将
Figure 125290DEST_PATH_IMAGE039
、
Figure 997431DEST_PATH_IMAGE040
分别输入预测器
Figure 82806DEST_PATH_IMAGE002
得到第一预测向量
Figure 305977DEST_PATH_IMAGE014
、第二预测向量
Figure 308568DEST_PATH_IMAGE041
，公式如下：
Figure 425428DEST_PATH_IMAGE042
Figure 324114DEST_PATH_IMAGE043
其中，h（▪）表示预测器的模型函数；
确定损失函数的计算公式如下：
Figure 628057DEST_PATH_IMAGE044
Figure 637601DEST_PATH_IMAGE045
其中，L为损失函数，D为余弦相似度，stopgrad（▪）为去除梯度操作函数，||▪||2为L2范式；
根据损失函数的值，采用梯度下降与反向传播算法更新编码器
Figure 546651DEST_PATH_IMAGE024
的模型参数与预测器
Figure 475293DEST_PATH_IMAGE046
的模型参数；
重复根据源域数据集中的图像进行数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数；
遍历源域数据集中每一张图像，重复数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数，前向传播得到每张图像的源域特征表示
Figure 673056DEST_PATH_IMAGE047
，保存编码器
Figure 581231DEST_PATH_IMAGE022
最终的模型参数。
其中，每遍历一张图像就得到一个源域特征表示（其实就是一个低维度特征向量）。如果有n张图像，且得到的源域特征表示是x维，则遍历完所有图像后得到的源域特征表达拼接在一起的尺寸就是n×x。
Figure 548050DEST_PATH_IMAGE048
为源域数据集中的图像（不特指某一张图像）。
其中，编码器f的模型包括Backbone（Resnet 50，残差网络）与映射MLP（3层全连接层），预测器h的模型为2层全连接层。其中，源域数据集的图像输入维度为256×256×3，编码器的模型的输出维度为2048，预测器的模型的输入、输出维度均为2048。
其中，机器人内置服务器或者后台服务器中部署了编码器的模型与预测器的模型，通过前向传播得到特征并计算特征之间的相似度，然后以最小化特征之间的相似度为目的，通过反向传播与梯度下降算法更新模型参数，直到达到预设训练次数。
在其中一个实施例中，如图3所示，所述将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器进行分类，得到分类结果，包括：
加载编码器
Figure 319697DEST_PATH_IMAGE024
的模型参数、源域数据集的源域特征表示、自适应层和分类器；
将目标域数据集中每张图像及其对应的标签，输入编码器
Figure 129390DEST_PATH_IMAGE049
，得到第一特征zt；
将特征zt输入自适应层进行处理，得到第二特征z´t；
将第二特征z´t输入分类器，得到分类结果
Figure 480737DEST_PATH_IMAGE025
。
在其中一个实施例中，所述根据分类结果调整域自适应层的参数和分类器的参数，包括：
根据分类结果
Figure 161117DEST_PATH_IMAGE026
计算多任务模型的模型总损失函数，公式如下：
Figure 572507DEST_PATH_IMAGE050
其中，Ltotal为模型总损失函数，Lcls为模型分类损失，模型分类损失表示分类标签
Figure 276021DEST_PATH_IMAGE051
与分类结果
Figure 290113DEST_PATH_IMAGE025
之间的差异，LMMD为域分布对齐损失，域分布对齐损失为源域数据集的源域特征表示与对齐后的目标域数据的特征表示之间的分布距离，α为域分布对齐损失的系数；
根据模型总损失函数的值，利用梯度下降与反向传播算法更新域自适应层的参数和分类器的参数。
其中，α为超参数，取值范围为(0,1)。其中，域自适应层
Figure 231524DEST_PATH_IMAGE052
为单层全连接层，输入、输出维度均为2048，分类器
Figure 911685DEST_PATH_IMAGE053
为单层全连接层，输入维度为2048，输出维度为38。分类器输出维度即代表分类器所能分类的类别数量。其中，域分布对齐损失
Figure 305758DEST_PATH_IMAGE054
为最大均值差异（MMD，Maximum Mean Discrepancy），MMD主要通过将两个分布映射到另一个空间计算分布之间的距离，计算公式如下：
Figure 123541DEST_PATH_IMAGE055
式中，LMMD（Z,z´t）表示源域特征表示Z与第二特征z´t之间的最大均值差异（即源域数据分布与目标域数据分布之间的距离），
Figure 716196DEST_PATH_IMAGE056
表示源域特征表示的样本数量，
Figure 469389DEST_PATH_IMAGE057
表示第二特征z´t的样本数量，
Figure 209812DEST_PATH_IMAGE058
表示将特征从原始空间映射到另一个空间。
其中，机器人内置服务器或者后台服务器中部署了域自适应层与分类器的模型，通过前向传播得到特征并计算根据特征进行分类，然后以最小化总损失为目的，通过反向传播与梯度下降算法更新域自适应层与分类器参数，直到达到预设训练次数或者小于预设总损失。
本实施例中，由于对比学习方法进行训练阶段的无标签数据（源域数据集）可能比较杂乱，包括拍摄角度混乱、光照、背景混乱，甚至有一些图像根本就跟叶片无关，这样的数据训练与我们在微调阶段的有标签数据（目标域数据集）不太一样，有标签数据就是很规整的实验室数据，正对着叶片拍摄，背景单一。这样导致的结果就是：预训练出来的编码器在微调阶段提取有标签数据的特征时效果不佳，简单来说是由于有标签数据与无标签数据特征分布不太一样，所以在无标签数据中训练的编码器在有标签数据中不太受用，进而导致分类器训练时找不到好的分类边界，本申请通过域自适应层对齐植物叶片图像的有、无标签数据特征分布，从而利用有标签数据特征进行分类器训练时可以找到较好的分类边界。
在其中一个实施例中，在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数，包括：在模型的训练此时达到训练次数或者模型总损失函数的值小于预设值时，保存最终的域自适应层的参数和分类器的参数。
在其中一个实施例中，所述标签为植物类型标签和/或是否存在疾病标签。
在一个实施例中，如图4所示，提供了一种植物叶片疾病检测方法，包括：
S210，获取待检测的植物叶片图像。
其中，待检测的植物叶片图像为拍摄的葡萄图像，通过安装在采摘机器人的摄像头获取。通过摄像头获取的待检测的葡萄图像发送至机器人内置服务器或者后台服务器进行处理。
S220，将所述待检测的植物叶片图像输入上述植物叶片疾病检测模型，得到植物类型和/或是否存在疾病。
具体的，植物叶片疾病检测模型的处理过程为：将待检测的植物叶片图像输入植物叶片疾病检测模型的编码器中，通过编码器提取植物叶片图像的特征表示；将植物叶片图像的特征表示通过域自适应层进行特征分布对齐，使植物叶片图像的特征分布与预训练数据集的分布对齐；将对齐后的植物叶片图像特征通过分类器进行分类，获得植物类型和/或是否存在疾病。
其中，训练数据集（源域数据集、目标域数据集）通过相机或者网络上搜集植物叶片图像，图像的分辨率不限，而后均转换为256×256的分辨率，而后利用labelimg标注目标域数据集中每张图像的类别。共采集10000张源域数据集图像，500张目标域数据集图像，其中500张目标域数据集图像全部进行标注并且均为背景单一的正面拍摄。训练时，搭建好初始植物叶片疾病检测模型以及conda环境，通过训练数据集进行预训练以及微调，训练过程中利用NVIDIA TITAN TRX (24 GB memory)加速训练；设置预训练的batch size为256，初始的学习率为0.01，epoch为300；设置微调的batch size为256，初始的学习率为0.01，epoch为100。
应该理解的是，虽然图2、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种植物叶片疾病检测模型训练装置，包括：
数据集获取模块310，用于获取关于植物叶片的源域数据集与目标域数据集。
训练模块320，用于将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示。
分类模块330，用于将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果。
参数调整模块340，用于根据分类结果调整域自适应层的参数和分类器的参数。
参数确定模块350，用于在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数。
模型确定模块360，用于根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型。
在其中一个实施例中，所述训练模块320包括：模型构建单元，用于按照孪生网络框架，构建编码器
Figure 441073DEST_PATH_IMAGE059
的模型与预测器
Figure 216131DEST_PATH_IMAGE060
的模型；数据增强单元，用于对源域数据集中的图像
Figure 936962DEST_PATH_IMAGE061
，先进行数据增强，获得第一增强图
Figure 305626DEST_PATH_IMAGE062
和第二增强图
Figure 701098DEST_PATH_IMAGE063
；编码单元，用于将第一增强图
Figure 206029DEST_PATH_IMAGE031
和第二增强图
Figure 425657DEST_PATH_IMAGE064
分别输入编码器
Figure 78356DEST_PATH_IMAGE022
得到第一编码特征向量
Figure 651419DEST_PATH_IMAGE065
、第二编码特征向量
Figure 135490DEST_PATH_IMAGE066
，公式如下：
Figure 401387DEST_PATH_IMAGE067
Figure 275802DEST_PATH_IMAGE068
其中，f（▪）表示编码器的模型函数；预测单元，用于将
Figure 42769DEST_PATH_IMAGE069
、
Figure 522292DEST_PATH_IMAGE040
分别输入预测器
Figure 316680DEST_PATH_IMAGE060
得到第一预测向量
Figure 881653DEST_PATH_IMAGE070
、第二预测向量
Figure 921153DEST_PATH_IMAGE071
，公式如下：
Figure 520762DEST_PATH_IMAGE072
Figure 925198DEST_PATH_IMAGE073
其中，h（▪）表示预测器的模型函数；损失函数计算单元，用于确定损失函数的计算公式如下：
Figure 102102DEST_PATH_IMAGE074
Figure 820659DEST_PATH_IMAGE075
其中，L为损失函数，D为余弦相似度，stopgrad（▪）为去除梯度操作函数，||▪||2为L2范式；模型参数更新单元，用于根据损失函数的值，采用梯度下降与反向传播算法更新编码器
Figure 399408DEST_PATH_IMAGE076
的模型参数与预测器
Figure 912429DEST_PATH_IMAGE077
的模型参数；第一循环单元，用于重复根据源域数据集中的图像进行数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数；第二循环单元，用于遍历源域数据集中每一张图像，重复数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数，前向传播得到每张图像的源域特征表示
Figure 78093DEST_PATH_IMAGE078
，保存编码器
Figure 397079DEST_PATH_IMAGE079
最终的模型参数。
在其中一个实施例中，所述分类模块330包括：加载单元，用于加载编码器
Figure 705701DEST_PATH_IMAGE080
的模型参数、源域数据集的源域特征表示、自适应层和分类器；第一特征计算单元，用于将目标域数据集中每张图像及其对应的标签，输入编码器
Figure 514257DEST_PATH_IMAGE023
，得到第一特征zt；第二特征计算单元，用于将特征zt输入自适应层进行处理，得到第二特征z´t；分类单元，用于将第二特征z´t输入分类器，得到分类结果
Figure 275539DEST_PATH_IMAGE081
。
在其中一个实施例中，所述参数调整模块340包括：损失函数计算单元，用于根据分类结果
Figure 726112DEST_PATH_IMAGE082
计算多任务模型的模型总损失函数，公式如下：
Figure 685978DEST_PATH_IMAGE083
其中，Ltotal为模型总损失函数，Lcls为模型分类损失，模型分类损失表示分类标签
Figure 806381DEST_PATH_IMAGE084
与分类结果
Figure 179593DEST_PATH_IMAGE085
之间的差异，LMMD为域分布对齐损失，域分布对齐损失为源域数据集的源域特征表示与对齐后的目标域数据的特征表示之间的分布距离，α为域分布对齐损失的系数；参数计算单元，用于根据模型总损失函数的值，利用梯度下降与反向传播算法更新域自适应层的参数和分类器的参数。
在其中一个实施例中，所述参数确定模块350，还用于在模型的训练此时达到训练次数或者模型总损失函数的值小于预设值时，保存最终的域自适应层的参数和分类器的参数。
在其中一个实施例中，所述标签为植物类型标签和/或是否存在疾病标签。
关于植物叶片疾病检测模型训练装置的具体限定可以参见上文中对于植物叶片疾病检测模型训练方法的限定，在此不再赘述。上述植物叶片疾病检测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储源域数据集与目标域数据集。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种植物叶片疾病检测模型训练方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种植物叶片疾病检测模型训练方法，其特征在于，所述方法包括：
获取关于植物叶片的源域数据集与目标域数据集；其中，源域与目标域数据集存在分布偏移，分布偏移包括：源域数据集与目标域数据集中植物叶片的拍摄角度、光照、背景不同；源域数据集中包含无叶片或者与植物叶片疾病检测任务无关的图像数据；
将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
根据分类结果调整域自适应层的参数和分类器的参数；
在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型；
其中，所述将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器进行分类，得到分类结果，包括：
加载编码器
Figure 41119DEST_PATH_IMAGE002
的模型参数、源域数据集的源域特征表示、自适应层和分类器；
将目标域数据集中每张图像及其对应的标签，输入编码器
Figure 754997DEST_PATH_IMAGE002
，得到第一特征zt；
将特征zt输入自适应层进行处理，得到第二特征z´t；
将第二特征z´t输入分类器，得到分类结果
Figure 331472DEST_PATH_IMAGE004
；
其中，所述根据分类结果调整域自适应层的参数和分类器的参数，包括：
根据分类结果
Figure 8572DEST_PATH_IMAGE004
计算多任务模型的模型总损失函数，公式如下：
Figure 354103DEST_PATH_IMAGE006
其中，Ltotal为模型总损失函数，Lcls为模型分类损失，模型分类损失表示分类标签
Figure 973303DEST_PATH_IMAGE008
与分类结果
Figure 771494DEST_PATH_IMAGE010
之间的差异，LMMD为域分布对齐损失，域分布对齐损失为源域数据集的源域特征表示与对齐后的目标域数据的特征表示之间的分布距离，α为域分布对齐损失的系数；
根据模型总损失函数的值，利用梯度下降与反向传播算法更新域自适应层的参数和分类器的参数。
2.根据权利要求1所述的方法，其特征在于，所述将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示，包括：
按照孪生网络框架，构建编码器
Figure 249356DEST_PATH_IMAGE012
的模型与预测器
Figure 714972DEST_PATH_IMAGE014
的模型；
对源域数据集中的图像
Figure 239494DEST_PATH_IMAGE016
，先进行数据增强，获得第一增强图
Figure 541294DEST_PATH_IMAGE018
和第二增强图
Figure 809464DEST_PATH_IMAGE020
；
将第一增强图
Figure 129587DEST_PATH_IMAGE022
和第二增强图
Figure 841322DEST_PATH_IMAGE024
分别输入编码器
Figure 614106DEST_PATH_IMAGE026
得到第一编码特征向量
Figure 685967DEST_PATH_IMAGE028
、第二编码特征向量
Figure 876908DEST_PATH_IMAGE030
，公式如下：
Figure 8813DEST_PATH_IMAGE032
Figure 268893DEST_PATH_IMAGE034
其中，f（▪）表示编码器的模型函数；
将
Figure 878865DEST_PATH_IMAGE036
、
Figure 915524DEST_PATH_IMAGE038
分别输入预测器
Figure 218329DEST_PATH_IMAGE039
得到第一预测向量
Figure DEST_PATH_IMAGE041
、第二预测向量
Figure DEST_PATH_IMAGE043
，公式如下：
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE047
其中，h（▪）表示预测器的模型函数；
确定损失函数的计算公式如下：
Figure DEST_PATH_IMAGE049
Figure DEST_PATH_IMAGE051
其中，L为损失函数，D为余弦相似度，stopgrad（▪）为去除梯度操作函数，||▪||2为L2范式；
根据损失函数的值，采用梯度下降与反向传播算法更新编码器
Figure DEST_PATH_IMAGE053
的模型参数与预测器
Figure 732750DEST_PATH_IMAGE014
的模型参数；
重复根据源域数据集中的图像进行数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数；
遍历源域数据集中每一张图像，重复数据增强、输入编码器、预测器、计算损失函数和模型参数的过程，直到达到预设的训练次数，前向传播得到每张图像的源域特征表示
Figure DEST_PATH_IMAGE055
，保存编码器
Figure DEST_PATH_IMAGE057
最终的模型参数。
3.根据权利要求1所述的方法，其特征在于，在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数，包括：
在模型的训练次数达到训练次数或者模型总损失函数的值小于预设值时，保存最终的域自适应层的参数和分类器的参数。
4.根据权利要求1所述的方法，其特征在于，所述标签为植物类型标签和/或是否存在疾病标签。
5.一种植物叶片疾病检测方法，其特征在于，包括：
获取待检测的植物叶片图像；
将所述待检测的植物叶片图像输入权利要求1-4任一项所述的植物叶片疾病检测模型训练方法中的植物叶片疾病检测模型，得到植物类型和/或是否存在疾病。
6.一种植物叶片疾病检测模型训练装置，其特征在于，所述装置包括：
数据集获取模块，用于获取关于植物叶片的源域数据集与目标域数据集；其中，源域与目标域数据集存在分布偏移，分布偏移包括：源域数据集与目标域数据集中植物叶片的拍摄角度、光照、背景不同；源域数据集中包含无叶片或者与植物叶片疾病检测任务无关的图像数据；
训练模块，用于将源域数据集采用对比学习方法进行训练，得到编码器的模型参数和每张图像的源域特征表示；
分类模块，用于将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器，得到分类结果；
参数调整模块，用于根据分类结果调整域自适应层的参数和分类器的参数；
参数确定模块，用于在达到预定训练条件时，保存最终的域自适应层的参数和分类器的参数；
模型确定模块，用于根据最终的编码器的模型参数、域自适应层的参数和分类器的参数确定最终的植物叶片疾病检测模型；
其中，所述将目标域数据集输入确定了模型参数的编码器，再输入域自适应层，最后输入分类器进行分类，得到分类结果，包括：
加载编码器
Figure DEST_PATH_IMAGE059
的模型参数、源域数据集的源域特征表示、自适应层和分类器；
将目标域数据集中每张图像及其对应的标签，输入编码器
Figure 753271DEST_PATH_IMAGE012
，得到第一特征zt；
将特征zt输入自适应层进行处理，得到第二特征z´t；
将第二特征z´t输入分类器，得到分类结果
Figure DEST_PATH_IMAGE061
；
其中，所述根据分类结果调整域自适应层的参数和分类器的参数，包括：
根据分类结果
Figure DEST_PATH_IMAGE063
计算多任务模型的模型总损失函数，公式如下：
Figure DEST_PATH_IMAGE065
其中，Ltotal为模型总损失函数，Lcls为模型分类损失，模型分类损失表示分类标签
Figure DEST_PATH_IMAGE067
与分类结果
Figure DEST_PATH_IMAGE069
之间的差异，LMMD为域分布对齐损失，域分布对齐损失为源域数据集的源域特征表示与对齐后的目标域数据的特征表示之间的分布距离，α为域分布对齐损失的系数；
根据模型总损失函数的值，利用梯度下降与反向传播算法更新域自适应层的参数和分类器的参数。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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4中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202211146701.7A 2022-09-21 2022-09-21 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法 Active CN115239708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211146701.7A CN115239708B (zh) 2022-09-21 2022-09-21 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211146701.7A CN115239708B (zh) 2022-09-21 2022-09-21 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法

Publications (2)

Publication Number Publication Date
CN115239708A CN115239708A (zh) 2022-10-25
CN115239708B true CN115239708B (zh) 2022-12-30

Family

ID=83680805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211146701.7A Active CN115239708B (zh) 2022-09-21 2022-09-21 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法

Country Status (1)

Country Link
CN (1) CN115239708B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984181A (zh) * 2022-12-05 2023-04-18 佛山科学技术学院 一种基于领域自适应的迁移学习方法及系统
CN116311186A (zh) * 2023-02-08 2023-06-23 浙江农林大学 一种基于改进Transformer模型的植物叶片病变识别方法
CN116310821A (zh) * 2023-03-16 2023-06-23 重庆师范大学 基于自监督自适应网络的农作物叶部病害识别方法
CN119132420B (zh) * 2024-11-13 2025-03-07 贵州省林业科学研究院 基于迁移学习的跨品种油茶嫁接的适应性评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201920A (zh) * 2021-12-15 2022-03-18 苏州华光智控电子科技有限公司 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法
CN114359656A (zh) * 2021-12-13 2022-04-15 福州数据技术研究院有限公司 一种基于自监督对比学习的黑色素瘤图像识别方法和存储设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128620B (zh) * 2021-05-11 2022-10-21 北京理工大学 一种基于层次关系的半监督领域自适应图片分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359656A (zh) * 2021-12-13 2022-04-15 福州数据技术研究院有限公司 一种基于自监督对比学习的黑色素瘤图像识别方法和存储设备
CN114201920A (zh) * 2021-12-15 2022-03-18 苏州华光智控电子科技有限公司 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于云制造平台的智能装备故障诊断方法与租赁定价模型研究;许岩;《中国博士学位论文全文数据库信息科技辑(月刊)》;20211015(第01期);第I140-59页 *

Also Published As

Publication number Publication date
CN115239708A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114846507B (zh) 用于使用人工智能（ai）模型进行非侵入性基因检测的方法和系统
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
Zhang et al. Real-time sow behavior detection based on deep learning
CN115239708A (zh) 植物叶片疾病检测模型训练方法和植物叶片疾病检测方法
Guo et al. Automatic monitoring of flying vegetable insect pests using an RGB camera and YOLO-SIP detector
CN108805064A (zh) 一种基于深度学习的鱼类定位检测和识别方法及系统
CN108133188A (zh) 一种基于运动历史图像与卷积神经网络的行为识别方法
CN113627240B (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法
CN117253192A (zh) 用于桑蚕养殖的智能系统及方法
CN115131760A (zh) 一种基于改进特征匹配策略的轻量级车辆追踪方法
CN111242951B (zh) 车辆检测方法、装置、计算机设备和存储介质
CN113283368B (zh) 一种模型训练方法、人脸属性分析方法、装置及介质
Lakshmi et al. Whale optimization based deep residual learning network for early rice disease prediction in IoT
CN114445875A (zh) 基于深度学习的身份识别与人脸比对系统及训练方法
CN116246173B (zh) 融合多尺度上下文特征和通道增强的遥感图像目标检测方法
CN112052722A (zh) 行人身份再识别方法及存储介质
CN120147236A (zh) 一种输电线路缺陷目标跟踪方法及系统
CN119832205A (zh) 基于SENet和YOLOv5s的物品分拣方法和装置、模型训练方法和装置
CN111950476A (zh) 基于深度学习的复杂环境下河道船舶自动识别方法
CN119169258A (zh) 一种多粒度低质量图像目标识别方法及系统
CN119672574A (zh) 农作物的种植信息识别方法、装置、设备及存储介质
CN113887505B (zh) 牛图像分类方法、装置、电子设备及存储介质
CN117392462A (zh) 无标签自监督学习的害虫识别方法、装置、设备及介质
Qiu et al. A correction-based dynamic enhancement framework towards underwater detection
CN121170463B (zh) 一种基于多尺度融合与自适应学习的车缝线瑕疵分类方法

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
GR01 Patent grant
GR01 Patent grant