CN115761501A - 植物病害识别模型构建方法、装置及模型构建系统 - Google Patents

植物病害识别模型构建方法、装置及模型构建系统 Download PDF

Info

Publication number
CN115761501A
CN115761501A CN202211471776.2A CN202211471776A CN115761501A CN 115761501 A CN115761501 A CN 115761501A CN 202211471776 A CN202211471776 A CN 202211471776A CN 115761501 A CN115761501 A CN 115761501A
Authority
CN
China
Prior art keywords
network model
model
deeplabv3
training
target
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
CN202211471776.2A
Other languages
English (en)
Inventor
张建平
张凯
邓杰
孙恩虹
何永坤
王颖
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.)
CHONGQING METEOROLOGICAL SCIENCE RESEARCH INSTITUTE
Original Assignee
CHONGQING METEOROLOGICAL SCIENCE RESEARCH INSTITUTE
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 CHONGQING METEOROLOGICAL SCIENCE RESEARCH INSTITUTE filed Critical CHONGQING METEOROLOGICAL SCIENCE RESEARCH INSTITUTE
Priority to CN202211471776.2A priority Critical patent/CN115761501A/zh
Publication of CN115761501A publication Critical patent/CN115761501A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Image Analysis (AREA)

Abstract

本申请提供一种植物病害识别模型构建方法、装置及模型构建系统。方法包括：基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型；通过训练数据集，对混合模型中的ResNet18网络模型、第一DeepLabV3+网络模型和第二DeepLabV3+网络模型进行训练；通过与训练数据集对应的测试数据集，对训练后的混合模型中ResNet18网络模型、第一DeepLabV3+网络模型和第二DeepLabV3+网络模型进行测试，以得到植物病害识别模型。如此，有利于提高所构建的模型对植物病害识别的准确性。

Description

植物病害识别模型构建方法、装置及模型构建系统
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种植物病害识别模型构建方法、装置及模型构建系统。
背景技术
在农业领域，经济林木或农作物病害的爆发容易造成巨大的经济损失。传统的植物病害检测方式是：主要依靠人工调查，以对经济林木或农作物的病害发生情况进行检测。这种病害检测方式是准确的，但费时、费力、效率低，且对检测人员的专业经验要求高。而且由于需要大量的采样点，不适合大规模的应用。近年来，采用遥感技术，结合深度学习进行作物病害自动监测是一种趋势。然而，目前通常是采用单一的卷积神经网络进行训练，训练所得到的模型，对植物病害的识别精度仍然存在误判的可能，识别精度有待提高。
发明内容
有鉴于此，本申请实施例的目的在于提供一种植物病害识别模型构建方法、装置及模型构建系统，能够改善因网络模型的结构单一使得植物病害识别精度低的问题。
为实现上述技术目的，本申请采用的技术方案如下：
第一方面，本申请实施例提供了一种植物病害识别模型构建方法，所述方法包括：
基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
结合第一方面，在一些可选的实施方式中，在通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练之前，所述方法还包括：
获取初始数据集，所述初始数据集包括目标植物的多个高光谱图像；
通过预设数据增强算法，对所述初始数据集中的多个高光谱图像中的部分或所有高光谱图像进行水平旋转，和/或镜像翻转，和/或将高光谱图像中的所有通道反射率调整为指定值，以得到经过数据增强后的多个高光谱图像；
将所述初始数据集中的所有高光谱图像，和经过数据增强后的所有高光谱图像，作为样本数据集；
对所述样本数据集中的每个高光谱图像标注表征目标植物的第一图区、表征非目标植物的第二图区，以及对每个高光谱图像标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记，以得到所述训练数据集。
结合第一方面，在一些可选的实施方式中，所述训练数据集中的高光谱图像为被转换成BIL格式的图像数据。
结合第一方面，在一些可选的实施方式中，通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，包括：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
结合第一方面，在一些可选的实施方式中，通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，包括：
将所述测试数据集中的每个高光谱图像输入所述混合模型，得到由所述混合模型输出的与每个高光谱图像对应的测试结果；
当所述测试结果与对应的高光谱图像的第一图区和第二图区，或与对应的高光谱图像的第一标记或第二标记不同时，利用高光谱图像的第一图区和第二图区，或高光谱图像的第一标记或第二标记对训练后的所述混合模型进行校正，直至所述混合模型满足预设收敛条件。
结合第一方面，在一些可选的实施方式中，所述第一标记包括表征目标病害严重程度的多个等级标识，其中，所述多个等级标识用于训练所述第二DeepLabV3+网络模型识别目标病害严重程度的功能。
结合第一方面，在一些可选的实施方式中，所述方法还包括：
获取待识别的目标图像，所述目标图像为拍摄目标植物得到的高光谱图像；
将所述目标图像输入所述植物病害识别模型，得到所述植物病害识别模型针对所述目标图像的识别结果，所述识别结果包括表征目标植物是否存在目标病害的结果。
结合第一方面，在一些可选的实施方式中，所述目标植物包括花椒树，所述目标病害包括花椒锈病。
第二方面，本申请实施例还提供一种植物病害识别模型构建装置，所述装置包括：
创建单元，用于基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
训练单元，用于通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
测试单元，用于通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
结合第二方面，在一些可选的实施方式中，所述训练单元用于：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
第三方面，本申请实施例还提供一种模型构建系统，所述模型构建系统包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述模型构建系统执行上述的方法。
采用上述技术方案的发明，具有如下优点：
在本申请提供的技术方案中，利用ResNet18网络模型连接第一DeepLabV3+网络模型和第二DeepLabV3+网络模型，以形成混合模型。ResNet18网络模型作为主干网络以提取图像特征。第一DeepLabV3+网络模型和第二DeepLabV3+网络模型作为两个分支网络，有利于引入多尺度信息，以提高识别的准确率。通过对混合模型中的各网络模型进行训练与测试，使得第一DeepLabV3+网络模型可以用于识别高光谱图像中的目标植物，第二DeepLabV3+网络模型可以识别目标植物是否存在目标病害，混合模型中的各网络模型相结合后，有利于提高植物病害识别的准确性。
附图说明
本申请可以通过附图给出的非限定性实施例进一步说明。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植物病害识别模型构建方法的流程示意图。
图2为本申请实施例提供的高光谱图像在识别前后的示意图。
图3为本申请实施例提供的植物病害识别模型构建装置的框图。
图标：200-植物病害识别模型构建装置；210-创建单元；220-训练单元；230-测试单元。
具体实施方式
以下将结合附图和具体实施例对本申请进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供一种模型构建系统。该系统可以包括处理模块及存储模块。存储模块内存储计算机程序，当计算机程序被所述处理模块执行时，使得模型构建系统能够执行下述植物病害识别模型构建方法中的相应步骤。
在本实施例中，模型构建系统可以为一种硬件系统。例如，模型构建系统可以为个人电脑、服务器等设备的硬件系统。
模型构建系统可以训练植物病害识别模型，使得经过训练测试后的植物病害识别模型可以对图像中是否存在目标植物，以及目标植物是否感染有目标病害进行识别。其中，目标植物可以是但不限于花椒树、小麦、水稻等，目标病害可以是但不限于花椒锈病、小麦锈病、水稻锈病等。比如，目标植物为花椒树，目标病害为花椒锈病。
请参照图1，本申请还提供一种植物病害识别模型构建方法，可以应用于上述的模型构建系统，由模型构建系统执行或实现方法的各步骤。其中，植物病害识别模型构建方法可以包括如下步骤：
步骤110，基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
步骤120，通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
步骤130，通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
下面将对植物病害识别模型构建方法的各步骤进行详细阐述，如下：
在步骤110中，ResNet18网络模型和DeepLabV3+网络模型为常规的深度学习网络模型。第一DeepLabV3+网络模型和第二DeepLabV3+网络模型的网络结构相同，区别在于，第一DeepLabV3+网络模型用于检测高光谱图像中是否存在目标植物，第二DeepLabV3+网络模型用于检测高光谱图像中的植物是否存在目标病害。
在本实施例中，可以利用一个ResNet18网络模型和两个DeepLabV3+网络模型，搭建得到混合模型。在混合模型中，ResNet18网络模型的输入数据可以为训练数据集中的高光谱图像。ResNet18网络模型的输出端与第一DeepLabV3+网络模型和第二DeepLabV3+网络模型的输入端连接。
ResNet18网络模型由残差块组成，其中，残差块增加了跳跃映射，将输入与输出直接进行相加，有利于补充ResNet18网络模型在卷积过程中损失的特征信息。ResNet18网络模型用于对高光谱图像进行特征提取，可以提取到更为丰富的特征信息。在模型训练期间，所提取到的特征信息作为第一DeepLabV3+网络模型和第二DeepLabV3+网络模型的输入数据，以供这两个DeepLabV3+网络模型分别进行学习训练。
DeepLabv3+网络模型包括Encoder网络和Decoder网络。Decoder网络的主体是带有空洞卷积的DCNN，可以采用常用的分类网络如ResNet。在Decoder网络中，带有空洞卷积的空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP))，主要是为了引入多尺度信息。相较于普通卷积，空洞卷积能够在不增加参数的情况下增加感受野，从而有利于提高所训练模型的识别准确率。
在步骤120中，训练数据集中所包括的高光谱图像的数量可以根据实际情况灵活确定。通常而言，训练数据集中的高光谱图像的数量越多，越有利于提高训练后模型的识别准确率。例如，高光谱图像的数量可以超过1000张。
在本实施例中，步骤120可以包括：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
在本实施例中，工程师可以将具有所述第一图区和所述第二图区的高光谱图像，输入ResNet18网络模型和第一DeepLabV3+网络模型，以对ResNet18网络模型和第一DeepLabV3+网络模型进行训练学习。训练后的ResNet18网络模型可以从高光谱图像中提取出特征信息后，输入至训练后的第一DeepLabV3+网络模型，使得训练后的第一DeepLabV3+网络模型能够初步具有识别高光谱图像中是否存在目标植物的功能。
类似地，工程师可以将具有第一标记的高光谱图像和第二标记的高光谱图像，输入ResNet18网络模型和第二DeepLabV3+网络模型，以对ResNet18网络模型和第二DeepLabV3+网络模型进行训练学习。训练后的ResNet18网络模型可以从高光谱图像中提取出特征信息后，输入至训练后的第二DeepLabV3+网络模型，使得训练后的第二DeepLabV3+网络模型能够初步具有识别高光谱图像中是否存在目标病害的功能。
在训练过程中，混合模型的损失函数可以采用Dice loss和Cross entropy loss混合损失函数。混合模型可以采用Adam作为优化器，初始学习率为0.005，采用指数衰减方式，每一轮衰减至上一轮的0.97倍，共训练50个Epoch。Epoch是一个超参数,定义了学习算法在整个训练数据集中的工作次数。
在训练过程中，工程师可以基于精确度(Precision)、召回率(Recall)、交并比(Intersection-over-Union,IoU)和F1评分(F1-score,harmonic mean of precision andrecall)等指标来评估混合模型，以将最佳模型应用于模型训练期间没有使用过的整幅影像来进行目视检查。评估混合模型的方式可以通过如下公式实现：
Figure BDA0003958721700000071
Figure BDA0003958721700000072
Figure BDA0003958721700000073
Figure BDA0003958721700000074
在上述的公式(1)-(4)中，P指混合模型训练后的识别精确度Precision；
R指召回率Recall；
F1指F1评分；
IoU指交并比；
TP指真阳性，表示正确预测的阳性值；
FP指假阳性，表示错误预测的阳性值；
FN指假阴性，表示是错误预测的阴性值；
AO为Area of Overlap,指植物病害的真实值与预测值的交集；
AU为Area of Union，指植物病害的真实值与预测值的并集。
可理解地，工程师可以基于上述的公式(1)-(4)来评估所训练的混合模型的可靠性，评估方式为常规方式。另外，参数TP、FP、FN的精度是基于像素点进行统计的。
在步骤130中，测试数据集中的高光谱图像具有与训练数据集中的高光谱图像相类似的格式。即，在测试数据集中，高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区。高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记。
在本实施例中，步骤130可以包括：
将所述测试数据集中的每个高光谱图像输入所述混合模型，得到由所述混合模型输出的与每个高光谱图像对应的测试结果；
当所述测试结果与对应的高光谱图像的第一图区和第二图区，或与对应的高光谱图像的第一标记或第二标记不同时，利用高光谱图像的第一图区和第二图区，或高光谱图像的第一标记或第二标记对训练后的所述混合模型进行校正，直至所述混合模型满足预设收敛条件。
可理解地，在测试过程中，工程师可以将测试数据集中的高光谱图像输入混合模型中，ResNet18网络模型可以对高光谱图像进行特征信息的提取，然后，由第一DeepLabV3+网络模型和第二DeepLabV3+网络模型分别对所提取的特征信息，进行空洞卷积，并输出测试结果。测试结果可以包括表示高光谱图像中存在目标植物的图区、不存在目标植物的图区，以及目标植物是否存在目标病害的标记。然后，将测试结果与高光谱图像预先设置的第一图区、第二图区，第一标记或第二标记进行比对，若存在差异，则基于预先设置的第一图区、第二图区，第一标记或第二标记，对混合模型进行校正。若不存在差异，则继续对其他高光谱图像进行测试，直至完成测试数据集中的所有高光谱图像的测试，或者直至混合模型满足预设收敛条件。其中，预设收敛条件可以根据实际情况灵活确定。比如，预设收敛条件可以为混合模型的测试准确率超过90％时，即视为满足收敛条件。
可理解地，利用测试数据集，对训练后的混合模型进行测试，可以提高所训练的混合模型对高光谱图像识别的准确性与可靠性。
作为一种可选的实施方式，在通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练之前，所述方法还包括：
获取初始数据集，所述初始数据集包括目标植物的多个高光谱图像；
通过预设数据增强算法，对所述初始数据集中的多个高光谱图像中的部分或所有高光谱图像进行水平旋转，和/或镜像翻转，和/或将高光谱图像中的所有通道反射率调整为指定值，以得到经过数据增强后的多个高光谱图像；
将所述初始数据集中的所有高光谱图像，和经过数据增强后的所有高光谱图像，作为样本数据集；
对所述样本数据集中的每个高光谱图像标注表征目标植物的第一图区、表征非目标植物的第二图区，以及对每个高光谱图像标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记，以得到所述训练数据集。
在本实施例中，训练数据集或初始数据集中的高光谱图像为被转换成BIL(Bandinterleaved by line，波段行交叉)格式的图像数据。即，若高光谱图像的数据格式不是BIL格式，则需要将高光谱图像的数据格式转换为BIL格式。其中，BIL格式为遥感图像中的一种数据格式。BIL格式的转换方式为常规方式，这里不再赘述。
预设数据增强算法可以根据实际情况进行灵活确定，可以具有以下的一种或多种功能：对高光谱图像进行水平旋转、镜像翻转、将高光谱图像中的所有通道反射率调整为指定值。
水平旋转的角度可以根据实际情况灵活设置，例如，以±30°旋转。反射率的指定值可以根据实际情况灵活确定。例如，针对所有初始的高光谱图像，可以以0.5概率，对所有通道反射率调整至[0.5,1.5]中的非1的任意倍数。经过数据增强后，可以得到多个新的高光谱图像。初始数据集中的所有高光谱图像和所有新的高光谱图像便作为样本数据集。
在通过数据增强，得到样本数据集后，工程师可以采用Arcgis工具的矢量图像绘制功能，对样本数据集中的高光谱影像进行标注。即，对样本数据集中的每个高光谱图像标注表征目标植物的第一图区、表征非目标植物的第二图区，以及对每个高光谱图像标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记。
进一步地，为了提高模型识别的精细化程度，第一标记包括表征目标病害严重程度的多个等级标识。例如，第一标记可以包括三类等级标识，分别可以为表征严重病害的第一等级标识、表征普通病害的第二等级标识，以及表征轻度病害的第三等级标识。可理解地，不同等级标识的高光谱图像可以用于训练第二DeepLabV3+网络模型识别目标病害严重程度的功能。
作为一种可选的实施方式，所述方法还可以包括：
获取待识别的目标图像，所述目标图像为拍摄目标植物得到的高光谱图像；
将所述目标图像输入所述植物病害识别模型，得到所述植物病害识别模型针对所述目标图像的识别结果，所述识别结果包括表征目标植物是否存在目标病害的结果。
请参照图2，目标图像可以为利用无人机，拍摄花椒树种植区得到的高光谱图像(该高光谱图像通常为彩色图)，目标图像可以如图2(a)所示。其中，目标图像的获取方式可以根据实际情况灵活确定。例如，模型构建系统可以从个人电脑或服务器获取到预先准备的目标图像。
模型构建系统在获取到目标图像后，可以将目标图像输入经过训练测试的植物病害识别模型。植物病害识别模型中的第一DeepLabV3+网络模型可以对目标图像中的花椒树和背景图进行分类。第二DeepLabV3+网络模型可以对花椒树中健康和患有花椒锈病的植株进行分类。植物病害识别模型可以基于第一DeepLabV3+网络模型和第二DeepLabV3+网络模型对目标图像的初步识别结果，做进一步分析，以得到最终的识别结果。识别结果可以如图2(b)所示，在图2(b)中，为仅保留目标图像中花椒树的图区的示意图，且浅色表示健康的花椒树，深色表示患有花椒锈病的花椒树。
当然，在其他实施方式中，可以通过不同的颜色，对健康和患有病害的花椒树进行区分渲染与显示，例如，健康花椒树渲染成绿色，患病花椒树渲染成红色。植物病害识别模型可以基于患病花椒树与所有花椒树的面积占比，来计算患病的严重程度。其中，患病严重程度的计算方式可以根据实际情况灵活确定，这里不再赘述。
当在第二DeepLabV3+网络模型识别目标图像中为患有花椒锈病的图区，与第一DeepLabV3+网络模型识别目标图像中为花椒树的图区存在重叠图区时，才将重叠图区确认为患有花椒锈病的花椒树的图区。类似地，当在第二DeepLabV3+网络模型识别目标图像中为健康花椒树的图区，与第一DeepLabV3+网络模型识别目标图像中为花椒树的图区存在重叠图区时，才将重叠图区确认为健康的花椒树的图区。
可理解地，由于图像中的裸露土壤的颜色特征与患有花椒锈病的花椒树的颜色特征类似，因此，图像中裸露土壤的图区，容易被常规的深度学习模型误识别为患有花椒锈病的图区。而在本实施例中，通过结合第一DeepLabV3+网络模型和第二DeepLabV3+网络模型，有利于提高对花椒锈病识别的准确性与可靠性，可以避免因模型结构单一，而出现误识别的情况。
请参照图3，本申请还提供一种植物病害识别模型构建装置200，植物病害识别模型构建装置200包括至少一个可以软件或固件(Firmware)的形式存储于存储模块中或固化在操作系统(Operating System，OS)中的软件功能模块。处理模块用于执行存储模块中存储的可执行模块，例如植物病害识别模型构建装置200所包括的软件功能模块及计算机程序等。
植物病害识别模型构建装置200包括创建单元210、训练单元220及测试单元230，各单元具有的功能可以如下：
创建单元210，用于基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
训练单元220，用于通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
测试单元230，用于通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
可选地，植物病害识别模型构建装置200还可以包括：
第一获取单元，用于获取初始数据集，所述初始数据集包括目标植物的多个高光谱图像；
数据增强单元，用于通过预设数据增强算法，对所述初始数据集中的多个高光谱图像中的部分或所有高光谱图像进行水平旋转，和/或镜像翻转，和/或将高光谱图像中的所有通道反射率调整为指定值，以得到经过数据增强后的多个高光谱图像；
组合单元，用于将所述初始数据集中的所有高光谱图像，和经过数据增强后的所有高光谱图像，作为样本数据集；
标记单元，用于对所述样本数据集中的每个高光谱图像标注表征目标植物的第一图区、表征非目标植物的第二图区，以及对每个高光谱图像标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记，以得到所述训练数据集。
可选地，训练单元220可以用于：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
可选地，测试单元230可以用于：
将所述测试数据集中的每个高光谱图像输入所述混合模型，得到由所述混合模型输出的与每个高光谱图像对应的测试结果；
当所述测试结果与对应的高光谱图像的第一图区和第二图区，或与对应的高光谱图像的第一标记或第二标记不同时，利用高光谱图像的第一图区和第二图区，或高光谱图像的第一标记或第二标记对训练后的所述混合模型进行校正，直至所述混合模型满足预设收敛条件。
可选地，植物病害识别模型构建装置200还可以包括：
第二获取单元，用于获取待识别的目标图像，所述目标图像为拍摄目标植物得到的高光谱图像；
识别单元，用于将所述目标图像输入所述植物病害识别模型，得到所述植物病害识别模型针对所述目标图像的识别结果，所述识别结果包括表征目标植物是否存在目标病害的结果。
在本实施例中，处理模块可以是一种集成电路芯片，具有信号的处理能力。上述处理模块可以是通用处理器。例如，该处理器可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，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，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
存储模块可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，存储模块可以用于存储高光谱图像、识别结果、预设数据增强算法、ResNet18网络模型和DeepLabV3+网络模型等。当然，存储模块还可以用于存储程序，处理模块在接收到执行指令后，执行该程序。
需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模型构建系统的具体工作过程，可以参考前述方法中的各步骤对应过程，在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的植物病害识别模型构建方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，模型构建系统，或者网络设备等)执行本申请各个实施场景所述的方法。
综上所述，本申请实施例提供一种植物病害识别模型构建方法、装置及模型构建系统。在本方案中，利用ResNet18网络模型连接第一DeepLabV3+网络模型和第二DeepLabV3+网络模型，以形成混合模型。ResNet18网络模型作为主干网络以提取图像特征。第一DeepLabV3+网络模型和第二DeepLabV3+网络模型作为两个分支网络，有利于引入多尺度信息，以提高识别的准确率。通过对混合模型中的各网络模型进行训练与测试，使得第一DeepLabV3+网络模型可以用于识别高光谱图像中的目标植物，第二DeepLabV3+网络模型可以识别目标植物是否存在目标病害，混合模型中的各网络模型相结合后，有利于提高植物病害识别的准确性。
在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，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)

1.一种植物病害识别模型构建方法，其特征在于，所述方法包括：
基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
2.根据权利要求1所述的方法，其特征在于，在通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练之前，所述方法还包括：
获取初始数据集，所述初始数据集包括目标植物的多个高光谱图像；
通过预设数据增强算法，对所述初始数据集中的多个高光谱图像中的部分或所有高光谱图像进行水平旋转，和/或镜像翻转，和/或将高光谱图像中的所有通道反射率调整为指定值，以得到经过数据增强后的多个高光谱图像；
将所述初始数据集中的所有高光谱图像，和经过数据增强后的所有高光谱图像，作为样本数据集；
对所述样本数据集中的每个高光谱图像标注表征目标植物的第一图区、表征非目标植物的第二图区，以及对每个高光谱图像标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记，以得到所述训练数据集。
3.根据权利要求2所述的方法，其特征在于，所述训练数据集中的高光谱图像为被转换成BIL格式的图像数据。
4.根据权利要求1所述的方法，其特征在于，通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，包括：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
5.根据权利要求1所述的方法，其特征在于，通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，包括：
将所述测试数据集中的每个高光谱图像输入所述混合模型，得到由所述混合模型输出的与每个高光谱图像对应的测试结果；
当所述测试结果与对应的高光谱图像的第一图区和第二图区，或与对应的高光谱图像的第一标记或第二标记不同时，利用高光谱图像的第一图区和第二图区，或高光谱图像的第一标记或第二标记对训练后的所述混合模型进行校正，直至所述混合模型满足预设收敛条件。
6.根据权利要求1所述的方法，其特征在于，所述第一标记包括表征目标病害严重程度的多个等级标识，其中，所述多个等级标识用于训练所述第二DeepLabV3+网络模型识别目标病害严重程度的功能。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述目标植物包括花椒树，所述目标病害包括花椒锈病。
8.一种植物病害识别模型构建装置，其特征在于，所述装置包括：
创建单元，用于基于ResNet18网络模型和DeepLabV3+网络模型，创建基于深度学习的混合模型，所述混合模型包括作为骨干网络的所述ResNet18网络模型，以及与所述ResNet18网络模型连接的第一DeepLabV3+网络模型和第二DeepLabV3+网络模型；
训练单元，用于通过训练数据集，对所述混合模型中的所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行训练，其中，所述训练数据集包括目标植物的多个高光谱图像，每个高光谱图像标注有表征目标植物的第一图区、表征非目标植物的第二图区，每个高光谱图像还标注表征目标植物存在目标病害的第一标记，或不存在目标病害的第二标记；高光谱图像中的所述第一图区和所述第二图区用于训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，高光谱图像中的所述第一标记或所述第二标记用于训练所述第二DeepLabV3+网络模型；
测试单元，用于通过与所述训练数据集对应的测试数据集，对训练后的所述混合模型中所述ResNet18网络模型、所述第一DeepLabV3+网络模型和所述第二DeepLabV3+网络模型进行测试，并当所述混合模型满足预设收敛条件时，将经过测试的所述混合模型确定为植物病害识别模型，所述植物病害识别模型用于检测高光谱图像中的目标植物是否存在目标病害。
9.根据权利要求8所述的装置，其特征在于，所述训练单元用于：
利用所述训练数据集中的具有所述第一图区和所述第二图区的高光谱图像训练所述ResNet18网络模型和所述第一DeepLabV3+网络模型，以使训练后的第一DeepLabV3+网络模型具有检测高光谱图像中是否存在目标植物的功能；
利用所述训练数据集中的具有所述第一标记、所述第二标记的高光谱图像，训练所述ResNet18网络模型和所述第二DeepLabV3+网络模型，以使训练后的第二DeepLabV3+网络模型具有检测高光谱图像中是否存在目标病害的功能。
10.一种模型构建系统，其特征在于，所述模型构建系统包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述模型构建系统执行如权利要求1-7中任一项所述的方法。
CN202211471776.2A 2022-11-23 2022-11-23 植物病害识别模型构建方法、装置及模型构建系统 Pending CN115761501A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471776.2A CN115761501A (zh) 2022-11-23 2022-11-23 植物病害识别模型构建方法、装置及模型构建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471776.2A CN115761501A (zh) 2022-11-23 2022-11-23 植物病害识别模型构建方法、装置及模型构建系统

Publications (1)

Publication Number Publication Date
CN115761501A true CN115761501A (zh) 2023-03-07

Family

ID=85335640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471776.2A Pending CN115761501A (zh) 2022-11-23 2022-11-23 植物病害识别模型构建方法、装置及模型构建系统

Country Status (1)

Country Link
CN (1) CN115761501A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523866A (zh) * 2023-04-26 2023-08-01 扬州大学 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523866A (zh) * 2023-04-26 2023-08-01 扬州大学 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质
CN116523866B (zh) * 2023-04-26 2023-12-01 扬州大学 一种小麦赤霉病抗性鉴定方法、系统、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN106778605B (zh) 导航数据辅助下的遥感影像道路网自动提取方法
CN112101159B (zh) 多时相林业遥感影像变化监测方法
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
CN105975913A (zh) 一种基于自适应聚类学习的道路网提取的方法
CN110175519B (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN111931711B (zh) 一种多源异构遥感大数据处理方法和装置
CN113989563A (zh) 一种多尺度多标签融合的中医舌象分类方法
CN115761501A (zh) 植物病害识别模型构建方法、装置及模型构建系统
CN115019200B (zh) 一种基于样本不平衡的松材线虫病树智能识别方法
CN116758081B (zh) 一种无人机道路桥梁巡检图像处理方法
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
CN111539910B (zh) 锈蚀区域检测方法及终端设备
CN114550017B (zh) 基于移动端的松材线虫病一体化预警及检测方法和装置
CN116563704A (zh) 一种多光谱视觉疫木识别方法、系统、设备及存储介质
CN117589767B (zh) 一种烟叶采收时间确定方法、电子设备和存储介质
CN115527119A (zh) 一种基于深度学习的农作物遥感图像语义分割方法
CN114897655A (zh) 基于视觉的防疫控制方法及装置、存储介质、电子设备
CN116310913B (zh) 基于小型无人机测量技术的自然资源调查监测方法及装置
CN113807143A (zh) 作物连通域的识别方法、装置及作业系统
CN114332570B (zh) 基于cdl深度学习进行作物迁移分类的方法和系统
CN114742204B (zh) 检测秸秆覆盖率的方法和装置
CN114947751A (zh) 基于深度学习的移动端智能舌诊方法
CN113160261B (zh) 一种用于oct图像角膜层分割的边界增强卷积神经网络
Lv et al. Cotton boll growth status recognition method under complex background based on semantic segmentation
CN115761544A (zh) 基于深度学习的植物病害识别方法、装置及系统

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