CN115294405A - 农作物病害分类模型的构建方法、装置、设备及介质 - Google Patents

农作物病害分类模型的构建方法、装置、设备及介质 Download PDF

Info

Publication number
CN115294405A
CN115294405A CN202211194867.6A CN202211194867A CN115294405A CN 115294405 A CN115294405 A CN 115294405A CN 202211194867 A CN202211194867 A CN 202211194867A CN 115294405 A CN115294405 A CN 115294405A
Authority
CN
China
Prior art keywords
vector
feature
feature vector
optimal
characteristic
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.)
Granted
Application number
CN202211194867.6A
Other languages
English (en)
Other versions
CN115294405B (zh
Inventor
郑新立
陈浩
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.)
Zhejiang Evotrue Net Technology Stock Co ltd
Original Assignee
Zhejiang Evotrue Net Technology Stock Co ltd
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 Zhejiang Evotrue Net Technology Stock Co ltd filed Critical Zhejiang Evotrue Net Technology Stock Co ltd
Priority to CN202211194867.6A priority Critical patent/CN115294405B/zh
Publication of CN115294405A publication Critical patent/CN115294405A/zh
Application granted granted Critical
Publication of CN115294405B publication Critical patent/CN115294405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—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

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)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了农作物病害分类模型的构建方法、装置、设备及介质。该方法包括：利用标定作物图像对预设神经网络模型进行训练及测试；提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；从第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将最佳特征对向量进行特征融合，得到最优特征向量；依据最优特征向量以及预设集成学习分类器构建农作物病害分类模型。通过本发明的技术方案，能够构建出分类准确的农作物病害分类模型，提高了农作物病害分类的准确度，降低了计算成本。

Description

农作物病害分类模型的构建方法、装置、设备及介质
技术领域
本发明涉及农作物病害检测技术领域，尤其涉及农作物病害分类模型的构建方法、装置、设备及介质。
背景技术
为保证农作物病害类型识别的准确性，利用计算机视觉技术和机器学习技术处理有关农作物病害方面的问题，对农作物的生产过程和最终的农作物品质产生重大影响。
然而，由于农作物之间的颜色和纹理等许多特征较为相似，一般的自动识别系统易混淆，很难正确识别有相似特征的农作物；不同区域内自然条件有一定的差别，光照及雨水等各种自然因素变化会导致农作物生长的差异，因此农作物所表现出来的病害特征会有一定的变化，而这些变化很难被一般的识别系统捕捉；在图片采集过程中，除了自然因素外，人为因素或采集技术等因素同样会影响采集质量，如噪声和模糊等会对采集的图片质量产生巨大的影响，以致提取出不相关的特征；此外，在数据集训练过程中，不相关或者重复的图像也会降低识别的准确度，同时也会产生不相关的特征来干扰识别。
因此，如何快速且准确地识别农作物中的病害特征，对农作物病害进行准确分类，是目前亟待解决的问题。
发明内容
本发明提供了一种农作物病害分类模型的构建方法、装置、设备及介质，可以构建农作物病害分类模型，提高农作物病害分类的准确性。
根据本发明的一方面，提供了一种农作物病害分类模型的构建方法，包括：
利用标定作物图像对预设神经网络模型进行训练及测试；
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
根据本发明的另一方面，提供了一种农作物病害分类模型的构建装置，包括：
预训练模块，用于利用标定作物图像对预设神经网络模型进行训练及测试；
特征提取模块，用于提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
特征融合模块，用于从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
模型构建模块，用于依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的农作物病害分类模型的构建方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的农作物病害分类模型的构建方法。
本发明实施例的技术方案，通过将利用标定作物图像进行训练及测试的预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量，进而，从第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将最佳特征对向量进行特征融合，得到最优特征向量；最终，依据最优特征向量以及预设集成学习分类器构建农作物病害分类模型，解决了农作物病害分类准确率低的问题，可以快速且准确地识别农作物中的病害特征，对农作物病害进行准确分类。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1a是根据本发明实施例一提供的一种农作物病害分类模型的构建方法的流程图；
图1b是根据本发明实施例一所适用的一种卷积神经网络模型结构示意图；
图1c是根据本发明实施例一所适用的一种池化层操作示意图；
图1d是根据本发明实施例一所适用的一种迁移学习的特征匹配示意图；
图2a是根据本发明实施例二提供的一种农作物病害分类模型的构建方法的流程图；
图2b是根据本发明实施例二提供的一种可选的农作物病害分类模型的构建方法的流程图；
图2c是根据本发明实施例二提供的一种农作物病害分类模型工作流程的示意图；
图3是根据本发明实施例三提供的一种农作物病害分类模型的构建装置的结构示意图；
图4是实现本发明实施例的农作物病害分类模型的构建方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1a为本发明实施例一提供了一种农作物病害分类模型的构建方法的流程图，本实施例可适用于对农作物病害进行分类的情况，该方法可以由农作物病害分类模型的构建装置来执行，该农作物病害分类模型的构建装置可以采用硬件和/或软件的形式实现，该农作物病害分类模型的构建装置可配置于电子设备中，示例性的，可以为计算机设备。如图1a所示，该方法包括：
S110、利用标定作物图像对预设神经网络模型进行训练及测试。
其中，标定作物图像可以指预先添加农作物病害类别标签的图像。预设神经网络模型可以为预先选定的卷积神经网络（Convolutional Neural Networks，CNN）模型，示例性的，可以为视觉几何组19（Visual Geometry Group-19，VGG19）。
如图1b所示为本发明实施例所适用的一种卷积神经网络模型结构示意图；该CNN模型由卷积层、池化层、全连接层以及输出层组成。其中，卷积层可以用于提取输入图片的图像特征，如图片的纹理特征以及颜色特征等，示例性的，可以根据公式：
Figure 221583DEST_PATH_IMAGE001
计算卷积层输出特征图的大小，其中，
Figure 585568DEST_PATH_IMAGE002
可以表示输入特征图的大小，P可以表示特征图外围的填充宽度，
Figure 274038DEST_PATH_IMAGE003
可以指卷积核大小，S可以指卷积步长。池化层可以对卷积层输出的特征进行挑选，示例性的，常见的池化操作有最大池化、平均池化和最小池化；可以根据公式：
Figure 395578DEST_PATH_IMAGE004
计算最大池化层特征，可以根据公式：
Figure 827697DEST_PATH_IMAGE005
计算最小池化层特征，可以根据公式：
Figure 547653DEST_PATH_IMAGE006
计算平均池化层特征；其中，n可以表示池化层中每个窗口的数据个数，i可以表示各窗口种数据的序号；如图1c所示为本发明实施例所适用的一种池化层操作示意图，具体的，在本发明实施例中，池化层是由2×2大小的矩阵窗口滑动来进行计算的，若为最大池化操作，则在各2×2大小的矩阵窗口内筛选出最大数值，并构建新的矩阵；若为最小池化操作，则在各2×2大小的矩阵窗口内筛选出最小数值，并构建新的矩阵；平均池化操作，则在各2×2大小的矩阵窗口内计算各矩阵框内数据的平均值，并截取小数点后一位，构建新的矩阵。全连接层可以用于将池化层的所有特征矩阵转化成一维的特征大向量；示例性的，可以根据公式：
Figure 344708DEST_PATH_IMAGE007
计算全连接层，其中，i可以表示全连接层的层数，
Figure 15861DEST_PATH_IMAGE008
可以表示激励函数，
Figure 986091DEST_PATH_IMAGE009
可以表示第i层全连接层的输入，可以根据公式：
Figure 996772DEST_PATH_IMAGE010
计算，其中，
Figure 27045DEST_PATH_IMAGE011
可以表示权值参数，
Figure 123177DEST_PATH_IMAGE012
可以表示第i层全连接层的偏置参数，
Figure 398563DEST_PATH_IMAGE013
可以表示第i-1层全连接层的输入。输出层可以用于输出特征。
具体的，可以将由各标定作物图像组成的数据集按照设定比例划分为训练集和测试集，示例性的，可以按照60:40的比例进行划分，进而，依次利用训练集中的标定作物图像对预设神经网络模型进行训练，利用测试集中的标定作物图像对预设神经网络模型进行测试。
值得注意的是，为降低过拟合问题的发生概率，可以筛选出同一类别中图片含量较少的标定作物图像对预设神经网络模型进行训练及测试。
S120、提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像。
其中，末位全连接层可以指全连接层中的最后一层，示例性的，以预设神经网络模型为VGG19为例，末位全连接层可以第七层，用FC7表示。次末位全连接层可以指全连接层中的倒数第二层，示例性的，以预设神经网络模型为VGG19为例，末位全连接层可以第六层，用FC6表示。第一特征向量可以指末位全连接层对应的特征向量。第二特征向量可以指次末位全连接层对应的特征向量。
值得注意的是，在提取第一特征向量及第二特征向量之前还可以将测试数据及训练数据中的冗余数据或异常数据进行提出，以保证模型的准确性。
S130、从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量。
其中，鲁棒特征可以指能较完整的体现第一特征向量或第二特征向量的特征。最佳特征对向量可以指由第一特征向量对应的鲁棒特征向量以及第二特征向量对应的鲁棒特征向量组合生成的向量对。特征融合可以指将针对同一标定作物图像生成的最佳特征对向量，将最佳特征对向量中的各向量进行对应融合的操作。最优特征向量可以指特征融合后满足预设筛选条件的特征向量，示例性的，可以为最能够体现农作物病害特征的向量。
S140、依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
其中，预设集成学习分类器可以指多种学习分类方法组成的分类器，示例性的，可以将二分类学习方法、神经网络分类方法与决策树方法进行集成得到集成学习分类器。农作物病害分类模型可以指对输入农作物图像中的病害进行准确地特征提取，并根据提取特征进行病害分类的模型。
值得注意的是，在将最优特征向量输入至预设集成学习分类器中对农作物病害进行分类时，各学习方法并行执行分类计算，最终，在各分类结果中以占比最大的分类结果作为农作物病害分类模型的输出结果。具体的，若针对同一标定作物图像，采用二分类学习方法得到的分类结果为黏虫病害，采用神经网络分类方法得到的分类结果为甘蓝夜蛾病害，采用决策树方法得到的分类结果为黏虫病害，则黏虫病害的占比较大，最终输出结果为黏虫病害。
在一个可选的实施方式中，依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型，包括：根据迁移学习构建包含所述最优特征向量的特征识别全连接层；将所述特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型。其中，特征识别全连接层可以指去除预设神经网络模型中生成最优特征向量的末位全连接层及次末位全连接层，并根据最优特征向量生成新的全连接层进行填充的全连接层。迁移学习可以指根据最优特征向量生成对应的全连接层参数并进行保留，以使后续新的数据能够继续沿用前次的参数进行训练或测试，不需要再次重新学习，提高了农作物病害分类的速率。如图1d所示为本发明实施例所适用的一种迁移学习的特征匹配示意图。具体的，在源域中获得最优特征向量后，在目标域中根据最优特征向量生成新的全连接层，并拼接至预设神经网络模型中去除末位全连接层及次末位全连接层的全连接层。
具体的，在得到最优特征向量之后，可以利用最优特征向量生成新的全连接层，并拼接至预设神经网络模型中去除末位全连接层及次末位全连接层的全连接层，生成特征识别全连接层，进而，将特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型。
本发明实施例的技术方案，通过将利用标定作物图像进行训练及测试的预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量，进而，从第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将最佳特征对向量进行特征融合，得到最优特征向量；最终，依据最优特征向量以及预设集成学习分类器构建农作物病害分类模型，解决了农作物病害分类准确率低的问题，可以快速且准确地识别农作物中的病害特征，对农作物病害进行准确分类。
实施例二
图2a为本发明实施例二提供的一种农作物病害分类模型的构建方法的流程图，本实施例以上述实施例为基础进行细化，在本实施例中具体是对提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量的操作进行细化，具体可以包括：根据公式：
Figure 263750DEST_PATH_IMAGE014
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，x表示预设神经网络模型中卷积层的输出向量；ReLU表示激活函数。如图2a所示，该方法包括：
S210：利用标定作物图像对预设神经网络模型进行训练及测试。
S220：根据公式：
Figure 464925DEST_PATH_IMAGE015
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量。
其中，x表示预设神经网络模型中卷积层的输出向量；ReLU表示激活函数。
其中，激活函数可以用导数或单调性等性质来表征。在现有技术中，Leaky-ReLU函数是密集目标检测模型中被广泛应用的激活函数。然而，为显著地提高预设神经网络模型的性能，本发明实施例中选用swish函数替代Leaky-ReLU函数，其中，
Figure 110670DEST_PATH_IMAGE016
。进一步的，由于s型函数的存在增加了计算成本，为降低计算成本，本发明实施例使用h- swish激活函数，将swish函数中的
Figure 625965DEST_PATH_IMAGE017
被它的分段线性插值函数
Figure 407976DEST_PATH_IMAGE018
取代。由此，通过h-swish激活函数独特的非单调性，可以提高不同数据集检测模型的性能，并且h- swish激活函数的下界和无界性质，有助于消除输出神经元的饱和问题；h-swish激活函数的处处连续可导，有着更快的计算速度，更容易训练。
S230：根据投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵。
其中，第一数据矩阵可以指第一特征向量对应的具有鲁棒性特征的向量组成的数据矩阵；第二数据矩阵可以指第二特征向量对应的具有鲁棒性特征的向量组成的数据矩阵。
在一个可选的实施方式中，根据投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵，包括：将所述第一特征向量投影至预设超平面中，生成第一特征投影向量；并将所述第二特征向量投影至预设超平面中，生成第二特征投影向量；根据公式：
Figure 717734DEST_PATH_IMAGE019
构建第一特征投影向量对应的第一数据矩阵；其中，
Figure 352240DEST_PATH_IMAGE020
表示第一特征投影向量，
Figure 467964DEST_PATH_IMAGE021
表示第一特征投影向量对应的加载向量，E表示第一特征投影向量对应的残差向量，d表示第一特征投影向量的总数；根据公式：
Figure 307744DEST_PATH_IMAGE022
构建第二特征投影向量对应的第二数据矩阵；其中，
Figure 850721DEST_PATH_IMAGE023
表示第二特征投影向量，
Figure 471058DEST_PATH_IMAGE024
表示第二特征投影向量对应的加载向量，
Figure 62576DEST_PATH_IMAGE025
表示第二特征投影向量对应的残差向量，d表示第二特征投影向量的总数。
其中，预设超平面可以指预先设定的映射平面。第一特征投影向量可以指第一特征向量在预设超平面中映射生成的特征向量。第二特征投影向量可以指第二特征向量在预设超平面中映射生成的特征向量。具体的，将第一特征向量在预设超平面中进行投影生成第一特征投影向量；并将第二特征向量在预设超平面中进行投影生成第二特征投影向量；进而，根据第一特征投影向量及第二特征投影向量分别生成第一数据矩阵及第二数据矩阵，为后续的特征筛选提供有效的基础。
S240：根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量。
其中，第一目标特征向量可以指满足预设协方差要求的第一特征投影向量。第二目标特征向量可以指满足预设协方差要求的第二特征投影向量。
最佳特征对向量可以指同一标定作物图像对应的第一目标特征向量及第二目标特征向量组成的特征对向量。
在一个可选的实施方式中，根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量，包括：根据公式：
Figure 320645DEST_PATH_IMAGE026
计算第一数据矩阵与第二数据矩阵之间的协方差数值；其中，I表示第一特征投影向量；O表示第二特征投影向量；w表示第一特征投影向量或第二特征投影向量的序号；提取满足预设协方差要求的第一特征投影向量及第二特征投影向量，作为第一目标特征向量及第二目标特征向量，并组成最佳特征对向量。
其中，预设协方差要求可以指预先设定的，用于对第一数据矩阵与第二数据矩阵之间的协方差数值进行评估的条件。示例性的，可以为选定协方差数值降序排名中的前十位数值对应的第一特征投影向量及第二特征投影向量作为第一目标特征向量及第二目标特征向量；也可以为设定预设阈值，将满足预设阈值的协方差数值对应的第一特征投影向量及第二特征投影向量作为第一目标特征向量及第二目标特征向量。
具体的，在得到第一数据矩阵与第二数据矩阵之后，利用第一特征投影向量和第二特征投影向量，计算第一数据矩阵与第二数据矩阵之间的协方差数值，将满足预设协方差要求的第一特征投影向量及第二特征投影向量，作为第一目标特征向量及第二目标特征向量，并组成最佳特征对向量，为后续的特征融合提供了有效的基础。
S250：根据最佳特征对向量进行特征融合生成融合特征矩阵。
在本发明实施例中，可以利用偏最小二乘（Partial Least Squares，PLS）法将最佳特征对向量进行并行特征融合，结合为一个向量进行输出，实现特征融合。
其中，融合特征矩阵可以指将最佳特征对向量中的两个向量进行特征融合后生成的矩阵。
示例性的，可以根据公式：
Figure 300102DEST_PATH_IMAGE027
生成融合特征矩阵；其中，B可以由m个变量响应向量组成；变量A可以是由p个预测变量矩阵组成的n种情况，矩阵A的权值矩阵W使Y= AW，W的列是矩阵A中列的加权向量，他们产生相应的n×c因子得分矩阵Y；b可以是m个回归系数；S可以指预设神经网络模型中的噪音因子，具有与b相同的度量。
S260：根据各融合特征矩阵中各融合特征向量的权重系数，获取各融合特征向量的重要值。
其中，融合特征向量可以指融合特征矩阵中的各向量。融合特征向量的维度可以为N×M；其中，N可以表示用于训练预设神经网络模型的标定作物图像的图像数量；M可以表示融合特征向量的长度。
值得注意的是，由于融合特征向量的长度不是固定的，使得融合特征矩阵中的一些特征仍然是冗余的，因此，为解决特征冗余的问题，需要对融合特征向量进行再次筛选。
融合特征向量的重要值可以指融合特征向量隐藏的特征估计评分。示例性的，可以根据公式：
Figure 79839DEST_PATH_IMAGE028
计算融合特征向量的重要值；其中，
Figure 537365DEST_PATH_IMAGE029
，XXT可以指算法中整体的平均值；n可以指变量总数；b可以指融合特征向量的数量；k可以指当前融合特征向量的序号；XX k 可以指算法中整体的方差；l可以指投影的序号；
Figure 351737DEST_PATH_IMAGE030
可以指第l个投影中第k个融合特征向量的权重系数；
Figure 236517DEST_PATH_IMAGE031
可以指第k个融合特征向量的模长。由此，可以计算出各融合特征向量的重要值，为后续的融合特征向量筛选提供有效的基础。
S270：确定满足预设阈值函数的重要值所对应的融合特征向量，作为最优特征向量。
其中，预设阈值函数可以指预先设定的，用于对融合特征向量的重要值进行评估的数值。示例性的，可以根据公式：
Figure 503550DEST_PATH_IMAGE032
设定阈值函数。其中，
Figure 277951DEST_PATH_IMAGE033
可以指融合特征向量的重要值，j可以表示所有投影特征；t可以指基于遗传偏最小二乘（GeneticAlgorithm–Partial Least Squares，GA-PLS）选取的阈值。
具体的，在计算得出融合特征向量的重要值之后，可以利用预设阈值函数对融合特征向量的重要值进行评估，并将满足预设阈值函数要求的重要值所对应的融合特征向量，作为最优特征向量。
S280：根据迁移学习构建包含所述最优特征向量的特征识别全连接层。
S290：将所述特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型。
在本发明实施例中，预设集成学习分类器可以采用集成决策树（EnsembleBaggage tree）的方法。
具体的，预设集成学习分类器的输入可以为如下形式的数据集：
Figure 946829DEST_PATH_IMAGE034
；输出可以为标定作物图像的对应农作物病害标签，示例性的，可以通过如下公式生成：
Figure 2510DEST_PATH_IMAGE035
；其中，
Figure 756840DEST_PATH_IMAGE036
，
Figure 556168DEST_PATH_IMAGE037
可以指学习分类方法，
Figure 79554DEST_PATH_IMAGE038
可以指以
Figure 571715DEST_PATH_IMAGE039
为循环依据的有放回的抽样过程，T可以指迭代次数。
本发明实施例的技术方案，通过将利用标定作物图像进行训练及测试的预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量，进而，利用投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵；并根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量；进一步的，根据最佳特征对向量进行特征融合生成融合特征矩阵；并根据各融合特征矩阵中各融合特征向量的权重系数，获取各融合特征向量的重要值；确定满足预设阈值函数的重要值所对应的融合特征向量，作为最优特征向量；最后，根据迁移学习构建包含最优特征向量的特征识别全连接层，并将特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型，解决了农作物病害分类准确率低的问题，可以快速且准确地识别农作物中的病害特征，对农作物病害进行准确分类。
如图2b所示为本发明实施例提供的一种可选的农作物病害分类模型的构建方法的流程图。其中，由VGG19模型特征提取、特征融合、选择最优特征以及集成分类器识别四部分组成。具体的，VGG19模型特征提取部分，首先，加载所有选定的作物图像（即标定作物图像），进而，利用作物图像对预设神经网络模型进行训练及测试，并利用激活函数（h-swish (x)）对预设神经网络模型中的FC6和FC7层进行特征提取。特征融合部分，利用遗传偏最小二乘投影法将FC6和FC7层特征进行投影生成第一特征投影向量和第二特征投影向量，并提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量，根据最佳特征对向量进行特征融合生成融合特征矩阵。选择最优特征部分，利用GA-PLS根据各融合特征矩阵中各融合特征向量的权重系数，获取各融合特征向量的重要值，之后，确定满足预设阈值函数的重要值所对应的融合特征向量，作为最优特征向量。集成分类器识别部分，利用集成决策树算法对最优特征向量进行鲁棒特征分类，生成对应的农作物病害分类标签。
如图2c所示为本发明实施例提供的一种农作物病害分类模型工作流程的示意图。首先，对输入图片进行标准归一化处理，进而，利用处理后的图片对VGG19预训练卷积神经网络模型进行训练及测试，并对FC6层和FC7层进行特征提取以及特征融合，进一步的，利用GA-PLS进行特征选择，将选择的特征向量输入至集成分类器中，利用集成决策树算法生成对应的农作物病害分类标签。
实施例三
图3为本发明实施例三提供的一种农作物病害分类模型的构建装置的结构示意图。如图3所示，该装置包括：预训练模块310、特征提取模块320、特征融合模块330以及模型构建模块340；
其中，预训练模块310，用于利用标定作物图像对预设神经网络模型进行训练及测试；
特征提取模块320，用于提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
特征融合模块330，用于从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
模型构建模块340，用于依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
本发明实施例的技术方案，通过将利用标定作物图像进行训练及测试的预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量，进而，从第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将最佳特征对向量进行特征融合，得到最优特征向量；最终，依据最优特征向量以及预设集成学习分类器构建农作物病害分类模型，解决了农作物病害分类准确率低的问题，可以快速且准确地识别农作物中的病害特征，对农作物病害进行准确分类。
可选的，特征提取模块320，具体可以用于：根据公式：
Figure 813340DEST_PATH_IMAGE040
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，x表示预设神经网络模型中卷积层的输出向量；ReLU表示激活函数。
可选的，特征融合模块330具体可以包括数据矩阵生成单元及最佳特征对向量生成单元；
其中，数据矩阵生成单元，用于根据投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵；
最佳特征对向量生成单元，用于根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量。
可选的，数据矩阵生成单元，具体可以用于：将所述第一特征向量投影至预设超平面中，生成第一特征投影向量；并将所述第二特征向量投影至预设超平面中，生成第二特征投影向量；根据公式：
Figure 652246DEST_PATH_IMAGE041
构建第一特征投影向量对应的第一数据矩阵；其中，
Figure 358033DEST_PATH_IMAGE020
表示第一特征投影向量，
Figure 693200DEST_PATH_IMAGE021
表示第一特征投影向量对应的加载向量，E表示第一特征投影向量对应的残差向量，d表示第一特征投影向量的总数；根据公式：
Figure 484438DEST_PATH_IMAGE042
构建第二特征投影向量对应的第二数据矩阵；其中，
Figure 625570DEST_PATH_IMAGE023
表示第二特征投影向量，
Figure 123547DEST_PATH_IMAGE024
表示第二特征投影向量对应的加载向量，
Figure 458976DEST_PATH_IMAGE043
表示第二特征投影向量对应的残差向量，d表示第二特征投影向量的总数。
可选的，最佳特征对向量生成单元，具体可以用于：根据公式：
Figure 409614DEST_PATH_IMAGE044
计算第一数据矩阵与第二数据矩阵之间的协方差数值；其中，I表示第一特征投影向量；O表示第二特征投影向量；w表示第一特征投影向量或第二特征投影向量的序号；提取满足预设协方差要求的第一特征投影向量及第二特征投影向量，作为第一目标特征向量及第二目标特征向量，并组成最佳特征对向量。
可选的，特征融合模块330，具体可以用于：根据最佳特征对向量进行特征融合生成融合特征矩阵；根据各融合特征矩阵中各融合特征向量的权重系数，获取各融合特征向量的重要值；确定满足预设阈值函数的重要值所对应的融合特征向量，作为最优特征向量。
可选的，模型构建模块340，具体可以用于：根据迁移学习构建包含所述最优特征向量的特征识别全连接层；将所述特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型。
本发明实施例所提供的农作物病害分类模型的构建装置可执行本发明任意实施例所提供的农作物病害分类模型的构建方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备410包括至少一个处理器420，以及与至少一个处理器420通信连接的存储器，如只读存储器（ROM）430、随机访问存储器（RAM）440等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器420可以根据存储在只读存储器（ROM）430中的计算机程序或者从存储单元490加载到随机访问存储器（RAM）440中的计算机程序，来执行各种适当的动作和处理。在RAM 440中，还可存储电子设备410操作所需的各种程序和数据。处理器420、ROM 430以及RAM440通过总线450彼此相连。输入/输出（I/O）接口460也连接至总线450。
电子设备410中的多个部件连接至I/O接口460，包括：输入单元470，例如键盘、鼠标等；输出单元480，例如各种类型的显示器、扬声器等；存储单元490，例如磁盘、光盘等；以及通信单元4100，例如网卡、调制解调器、无线通信收发机等。通信单元4100允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器420可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器420的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器420执行上文所描述的各个方法和处理，例如农作物病害分类模型的构建方法。
该方法包括：
利用标定作物图像对预设神经网络模型进行训练及测试；
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
在一些实施例中，农作物病害分类模型的构建方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元490。在一些实施例中，计算机程序的部分或者全部可以经由ROM 430和/或通信单元4100而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 440并由处理器420执行时，可以执行上文描述的农作物病害分类模型的构建方法的一个或多个步骤。备选地，在其他实施例中，处理器420可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行农作物病害分类模型的构建方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种农作物病害分类模型的构建方法，其特征在于，包括：
利用标定作物图像对预设神经网络模型进行训练及测试；
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
2.根据权利要求1所述的方法，其特征在于，所述提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量，包括：
根据公式：
Figure 808727DEST_PATH_IMAGE001
提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，x表示预设神经网络模型中卷积层的输出向量；ReLU表示激活函数。
3.根据权利要求1所述的方法，其特征在于，从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，包括：
根据投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵；
根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量。
4.根据权利要求3所述的方法，其特征在于，所述根据投影理论构建第一特征向量对应的第一数据矩阵以及第二特征向量对应的第二数据矩阵，包括：
将所述第一特征向量投影至预设超平面中，生成第一特征投影向量；并将所述第二特征向量投影至预设超平面中，生成第二特征投影向量；
根据公式：
Figure 788185DEST_PATH_IMAGE002
构建第一特征投影向量对应的第一数据矩阵；其中，
Figure 567922DEST_PATH_IMAGE003
表示第一特征投影向量，
Figure 25448DEST_PATH_IMAGE004
表示第一特征投影向量对应的加载向量，E表示第一特征投影向量对应的残差向量，d表示第一特征投影向量的总数；
根据公式：
Figure 839820DEST_PATH_IMAGE005
构建第二特征投影向量对应的第二数据矩阵；其中，
Figure 724600DEST_PATH_IMAGE006
表示第二特征投影向量，
Figure 555415DEST_PATH_IMAGE007
表示第二特征投影向量对应的加载向量，
Figure 816632DEST_PATH_IMAGE008
表示第二特征投影向量对应的残差向量，d表示第二特征投影向量的总数。
5.根据权利要求3所述的方法，其特征在于，所述根据第一数据矩阵与第二数据矩阵之间的协方差数值，提取满足预设协方差要求的第一目标特征向量及第二目标特征向量，作为最佳特征对向量，包括：
根据公式：
Figure 547827DEST_PATH_IMAGE009
计算第一数据矩阵与第二数据矩阵之间的协方差数值；其中，I表示第一特征投影向量；O表示第二特征投影向量；w表示第一特征投影向量或第二特征投影向量的序号；
提取满足预设协方差要求的第一特征投影向量及第二特征投影向量，作为第一目标特征向量及第二目标特征向量，并组成最佳特征对向量。
6.根据权利要求1所述的方法，其特征在于，所述将所述最佳特征对向量进行特征融合，得到最优特征向量，包括：
根据最佳特征对向量进行特征融合生成融合特征矩阵；
根据各融合特征矩阵中各融合特征向量的权重系数，获取各融合特征向量的重要值；
确定满足预设阈值函数的重要值所对应的融合特征向量，作为最优特征向量。
7.根据权利要求1所述的方法，其特征在于，依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型，包括：
根据迁移学习构建包含所述最优特征向量的特征识别全连接层；
将所述特征识别全连接层与预设集成学习分类器拼接，生成农作物病害分类模型。
8.一种农作物病害分类模型的构建装置，其特征在于，包括：
预训练模块，用于利用标定作物图像对预设神经网络模型进行训练及测试；
特征提取模块，用于提取预设神经网络模型中位于末位全连接层的特征向量作为第一特征向量，以及位于次末位全连接层的特征向量作为第二特征向量；其中，第一特征向量及第二特征向量均对应同一标定作物图像；
特征融合模块，用于从所述第一特征向量及第二特征向量中提取具有鲁棒特征的最佳特征对向量，并将所述最佳特征对向量进行特征融合，得到最优特征向量；
模型构建模块，用于依据所述最优特征向量以及预设集成学习分类器构建农作物病害分类模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的农作物病害分类模型的构建方法。
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指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的农作物病害分类模型的构建方法。
CN202211194867.6A 2022-09-29 2022-09-29 农作物病害分类模型的构建方法、装置、设备及介质 Active CN115294405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194867.6A CN115294405B (zh) 2022-09-29 2022-09-29 农作物病害分类模型的构建方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194867.6A CN115294405B (zh) 2022-09-29 2022-09-29 农作物病害分类模型的构建方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115294405A true CN115294405A (zh) 2022-11-04
CN115294405B CN115294405B (zh) 2023-01-10

Family

ID=83834272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194867.6A Active CN115294405B (zh) 2022-09-29 2022-09-29 农作物病害分类模型的构建方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115294405B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319963A (zh) * 2018-02-06 2018-07-24 太原理工大学 基于约束鲁棒主成分分析的城市道路地下病害识别方法
CN108564061A (zh) * 2018-04-28 2018-09-21 河南工业大学 一种基于二维主元分析的图像识别方法和系统
CN109711461A (zh) * 2018-12-25 2019-05-03 中国人民解放军战略支援部队航天工程大学 基于主成分分析的迁移学习图片分类方法及其装置
CN111507319A (zh) * 2020-07-01 2020-08-07 南京信息工程大学 一种基于深度融合卷积网络模型的农作物病害识别方法
WO2020228525A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 地点识别及其模型训练的方法和装置以及电子设备
AU2020102885A4 (en) * 2020-10-20 2020-12-17 Xijing University Disease recognition method of winter jujube based on deep convolutional neural network and disease image
CN112488205A (zh) * 2020-11-30 2021-03-12 桂林电子科技大学 基于优化kpca算法的神经网络图像分类识别方法
CN114170475A (zh) * 2021-11-01 2022-03-11 云鹏智汇(深圳)科技有限公司 一种用于图像分类的模型训练方法、设备及存储介质
CN114664410A (zh) * 2022-03-11 2022-06-24 北京医准智能科技有限公司 一种基于视频的病灶分类方法、装置、电子设备及介质
WO2022160771A1 (zh) * 2021-01-26 2022-08-04 武汉大学 基于自适应多尺度特征提取模型的高光谱图像分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319963A (zh) * 2018-02-06 2018-07-24 太原理工大学 基于约束鲁棒主成分分析的城市道路地下病害识别方法
CN108564061A (zh) * 2018-04-28 2018-09-21 河南工业大学 一种基于二维主元分析的图像识别方法和系统
CN109711461A (zh) * 2018-12-25 2019-05-03 中国人民解放军战略支援部队航天工程大学 基于主成分分析的迁移学习图片分类方法及其装置
WO2020228525A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 地点识别及其模型训练的方法和装置以及电子设备
CN111507319A (zh) * 2020-07-01 2020-08-07 南京信息工程大学 一种基于深度融合卷积网络模型的农作物病害识别方法
AU2020102885A4 (en) * 2020-10-20 2020-12-17 Xijing University Disease recognition method of winter jujube based on deep convolutional neural network and disease image
CN112488205A (zh) * 2020-11-30 2021-03-12 桂林电子科技大学 基于优化kpca算法的神经网络图像分类识别方法
WO2022160771A1 (zh) * 2021-01-26 2022-08-04 武汉大学 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN114170475A (zh) * 2021-11-01 2022-03-11 云鹏智汇(深圳)科技有限公司 一种用于图像分类的模型训练方法、设备及存储介质
CN114664410A (zh) * 2022-03-11 2022-06-24 北京医准智能科技有限公司 一种基于视频的病灶分类方法、装置、电子设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LEYUAN FANG ET AL: "A New Spatial–Spectral Feature Extraction Method for Hyperspectral Images Using Local Covariance Matrix Representation", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
张初: "基于光谱与光谱成像技术的油菜病害检测机理与方法研究", 《中国博士学位论文全文数据库》 *
李春等: "基于视觉的焊接工件在线识别与分类算法研究", 《价值工程》 *
王慧斌等: "基于视频的车型特征提取及识别方法研究", 《微型电脑应用》 *
谢锦等: "基于图像不变特征深度学习的交通标志分类", 《计算机辅助设计与图形学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN115294405B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
JP2020501238A (ja) 顔検出トレーニング方法、装置及び電子機器
CN113936256A (zh) 一种图像目标检测方法、装置、设备以及存储介质
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN113837308B (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
CN112862005B (zh) 视频的分类方法、装置、电子设备和存储介质
CN113379059B (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN114724007A (zh) 训练分类模型、数据分类方法、装置、设备、介质及产品
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN115294405B (zh) 农作物病害分类模型的构建方法、装置、设备及介质
EP4343616A1 (en) Image classification method, model training method, device, storage medium, and computer program
CN113902010A (zh) 分类模型的训练方法和图像分类方法、装置、设备和介质
CN113487610A (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN112884721A (zh) 一种异常检测方法、系统及计算机可读存储介质
CN114419327B (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114882315A (zh) 样本生成方法、模型训练方法、装置、设备及介质
CN115359322A (zh) 一种目标检测模型训练方法、装置、设备和存储介质
CN114611609A (zh) 一种图网络模型节点分类方法、装置、设备及存储介质
CN113449778A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN114241243B (zh) 图像分类模型的训练方法、装置、电子设备和存储介质
CN115661847B (zh) 表格结构识别及模型训练方法、装置、设备和存储介质
CN117649683B (zh) 一种痤疮分级方法、装置、设备及存储介质
CN115471893B (zh) 训练人脸识别模型、人脸识别的方法和装置
CN117274778B (zh) 基于无监督和半监督的图像搜索模型训练方法和电子设备
US20220222941A1 (en) Method for recognizing action, electronic device and storage medium

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Construction methods, devices, equipment, and media for crop disease classification models

Effective date of registration: 20230825

Granted publication date: 20230110

Pledgee: Hangzhou United Rural Commercial Bank Co.,Ltd. Dongxin sub branch

Pledgor: ZHEJIANG EVOTRUE NET TECHNOLOGY STOCK CO.,LTD.

Registration number: Y2023980053806

PE01 Entry into force of the registration of the contract for pledge of patent right