CN116129189A - 一种植物病害识别方法、设备、存储介质及装置 - Google Patents

一种植物病害识别方法、设备、存储介质及装置 Download PDF

Info

Publication number
CN116129189A
CN116129189A CN202310131685.2A CN202310131685A CN116129189A CN 116129189 A CN116129189 A CN 116129189A CN 202310131685 A CN202310131685 A CN 202310131685A CN 116129189 A CN116129189 A CN 116129189A
Authority
CN
China
Prior art keywords
model
plant
image
disease
plant disease
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
CN202310131685.2A
Other languages
English (en)
Inventor
帖军
郑禄
隆娟娟
王江晴
李子茂
佘纬
徐胜舟
马佳婷
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202310131685.2A priority Critical patent/CN116129189A/zh
Publication of CN116129189A publication Critical patent/CN116129189A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (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

本发明公开了一种植物病害识别方法、设备、存储介质及装置，本发明通过改进知识蒸馏的植物病害识别模型对数据增强预处理后获得的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型；基于植物病害图像确定病害类型。由于本发明通过改进知识蒸馏的植物病害识别模型对植物图像进行病害特征识别，并根据特征识别结果确定植物病害图像，从而进一步地确定病害类型，本发明实现了通过知识蒸馏后的轻量化模型进行病害识别，提升识别效率的同时保证了识别准确率。

Description

一种植物病害识别方法、设备、存储介质及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种植物病害识别方法、设备、存储介质及装置。
背景技术
植物包括但不限于番茄、茄子、辣椒、马铃薯、玉米、小麦等，上述植物都是广泛栽培的作物，具有很高的经济价值，但现实种植过程中会存在各种因素影响植物的生产，其中，病害是影响植物产量的一个很大的因素，每年有大量的作物被不同的植物病害所侵害，造成大量损失，因此，为了保证作物产量，需要对植物病害进行准确检测和鉴别；
虽然现有技术中存在对一种植物病害识别的模型计算方法，但现有植物病害识别模型计算过程存在复杂度较高，所需参数多，对内存需求大，限制模型部署的问题，从而导致病害识别效率低且容易出现数据误差导致准确性较差。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种植物病害识别方法、设备、存储介质及装置，旨在解决现有技术中模型计算复杂度较高限制模型部署导致病害识别效率低且容易出现数据误差的技术问题。
为实现上述目的，本发明提供一种植物病害识别方法，所述植物病害识别方法包括以下步骤：
对目标植物图像进行数据增强预处理，获得处理后的植物图像；
基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；
基于所述植物病害图像确定病害类型。
可选地，所述数据增强预处理包括随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，所述对目标植物图像进行数据增强预处理，获得处理后的植物图像的步骤，包括：
对目标植物图像进行随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，获得处理后的植物图像。
可选地，所述基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像的步骤之前，还包括：
将包含病斑特征的叶片图像训练集输入至ResNet101模型进行训练，获得训练完成的ResNet101模型，并将所述ResNet101模型作为知识蒸馏的教师模型；
将包含病斑特征的叶片图像训练集输入至MobileNetV3模型进行训练，获得训练完成的MobileNetV3模型，并将所述MobileNetV3模型作为知识蒸馏的学生模型；
基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型。
可选地，所述基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型的步骤，包括：
根据所述教师模型对应的软标签和目标植物实际数据集对应的硬标签结合训练学生模型，输出预训练模型，并实时获取交叉熵损失函数与相对熵损失函数；
根据所述交叉熵损失函数与相对熵损失函数确定混合损失函数，并基于所述混合损失函数训练目标函数；
根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型。
可选地，所述根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型步骤之后，还包括：
将未进行图像预处理的植物图像测试集对改进知识蒸馏的植物病害识别模型进行测试，获得测试结果；
对所述测试结果进行混淆矩阵分析，根据分析结果输出所述改进知识蒸馏的植物病害识别模型。
可选地，所述基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像的步骤，包括：
基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果确定图像特征信息；
对所述图像特征信息进行病害特征识别，根据特征识别结果确定病害特征信息；
根据所述病害特征信息分割所述植物图像，获得植物病害图像。
可选地，所述基于所述植物病害图像确定病害类型的步骤，包括：
根据所述植物病害图像和预设病害类型对应的病斑特征库进行特征对比，获得对比结果；
根据所述对比结果和预设相似率确定病害类型。
此外，为实现上述目的，本发明还提出一种植物病害识别设备，所述植物病害识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的植物病害识别程序，所述植物病害识别程序配置为实现如上文所述的植物病害识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有一种植物病害识别程序，所述植物病害识别程序被处理器执行时实现如上文所述的植物病害识别方法的步骤。
此外，为实现上述目的，本发明还提出一种植物病害识别装置，所述植物病害识别装置包括：
图像预处理模块，用于对目标植物图像进行数据增强预处理，获得处理后的植物图像；
病害图像识别模块，用于基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；
病害类型确定模块，用于基于所述植物病害图像确定病害类型。
本发明通过对目标植物图像进行数据增强预处理，获得处理后的植物图像；基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；基于所述植物病害图像确定病害类型。由于本发明通过改进知识蒸馏的植物病害识别模型对数据增强预处理获得的植物图像进行病害特征识别，并根据特征识别结果确定植物病害图像，从而进一步地确定病害类型，相较于现有技术中模型计算复杂度较高限制模型部署导致病害识别效率低且容易出现数据误差，本发明实现了通过知识蒸馏后的轻量化模型进行病害识别，提升识别效率的同时保证了识别准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的植物病害识别设备的结构示意图；
图2为本发明植物病害识别方法第一实施例的流程示意图；
图3为本发明植物病害识别方法第一实施例的ResNet101网络结构图；
图4为本发明植物病害识别方法第二实施例的流程示意图；
图5为本发明植物病害识别方法第二实施例的蒸馏过程结构示意图；
图6为本发明植物病害识别方法第二实施例的损失变化曲线图；
图7为本发明植物病害识别方法第二实施例的混淆矩阵分析示意图；
图8为本发明植物病害识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的植物病害识别设备结构示意图。
如图1所示，该植物病害识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对植物病害识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及植物病害识别程序。
在图1所示的植物病害识别设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述植物病害识别设备通过处理器1001调用存储器1005中存储的植物病害识别程序，并执行本发明实施例提供的植物病害识别方法。
基于上述硬件结构，提出本发明植物病害识别方法的实施例。
参照图2，图2为本发明植物病害识别方法第一实施例的流程示意图，提出本发明植物病害识别方法第一实施例。
在本实施例中，所述植物病害识别方法包括以下步骤：
步骤S10：对目标植物图像进行数据增强预处理，获得处理后的植物图像。
需说明的是，本实施例的执行主体可以是具有植物病害识别功能的设备，所述设备如：计算机、笔记本、电脑以及平板等，还可为其它可实现相同或相似功能的植物病害识别设备。本实施例对此不做限制。此处将以上述计算机为例对本实施例和下述各实施例进行说明。
可理解的是，目标植物图像可以是指需要进行病害识别的图像，所述图像包含存在病斑的叶片图像也包括正常叶片图像，为了对存在病斑的叶片图像精准识别，需要在进行病害识别之前先从目标植物图像中筛选出病害图像，因此需要对植物图像进行预处理，以精确识别病害图像。对目标植物的类型不加以具体限制，可以是现有广泛种植的植物，例如：茄科类型的植物，在本实施例中可以以茄科植物作为例子进行说明。
进一步地，所述数据增强预处理包括随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，所述步骤S10包括：对目标植物图像进行随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，获得处理后的植物图像。
需说明的是，对于图像识别任务，预处理过程会显著提高特征提取的质量，从而提高模型的识别效果，所以图像预处理是非常重要的一项操作。图像预处理可以根据网络模型识别的要求，对样本图像进行相应的处理，从而减弱样本图像中消极信息的干扰，突出样本图像的积极信息，以满足实际所需要的数据输入形式。
可理解的是，数据会存在分布不均匀的情况，因此会对模型的识别效果产生一定的影响，因此可以通过数据增强的预处理方法对待识别图像进行处理，采用的数据增强方法如下：1)随机裁剪：随机选择图像像素位置与方向进行裁剪。2)旋转：对图像进行随机旋转90、180与270度。3)颜色增亮：通过调整色调(H)、饱和度(S)、亮度(V)，达到图像增亮的效果。4)高斯模糊添噪：由于实际拍摄场景中图像的清晰度各不一样，故给输入的图像添加高斯噪声以拟合模型识别所适应的场景。
具体实现中，可以通过上述数据增强的方式突出输入的植物图像中各种特征，例如：病害特征、颜色特征、纹理特征等，从而以便于后期植物病害识别模型能够通过处理后的植物图像中精确提取病害特征进行识别。
步骤S20：基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数。
需说明的是，改进知识蒸馏的植物病害识别模型是基于学习教师模型的高识别性能获得的学生模型，所述知识蒸馏可以是用于模型压缩指的是在teacher-student框架中，将复杂、学习能力强的网络学到的特征表示“知识蒸馏”出来，传递给参数量小、学习能力弱的网络。从而可以得到一个速度快，能力强的网络。因此在蒸馏的过程中，我们将原始大模型称为教师模型(teacher)，新的小模型称为学生模型(student)，训练集中的标签称为hard label，教师模型预测的概率输出为soft label，temperature(T)是用来调整softlabel的超参数。
可理解的是，温度的高低改变影响的是Student模型训练过程中对负标签的关注程度。当温度较低时，对负标签的关注(尤其是那些显著低于平均值的负标签的关注)较少；而温度较高时，负标签相关的值会相对增大，Student模型会相对更多地关注到负标签。因此在高温情况下训练学生模型可以提升模型精度、降低模型时延。教师模型的软标签可以是指教师模型softmax层的输出值(输出的类别概率)，每个类别都分配了概率，正标签的概率最高，目标植物实际数据集的硬标签可以是数据集标注的one-shot标签，除了正标签为1，其他负标签都是0。模型训练旨在获取从样本数据中学习的知识，知识蒸馏方法是将原本数据集中离散的属性标签变成了连续的概率分布，提取教师网络中的隐藏知识(即软标签中的知识)，使得教师网络学习到的知识成为学生网络的一部分。
可理解的是，为了让学生模型学习到更多教师模型隐藏的知识将结合混合损失函数对学生模型的目标损失函数进行修改，从而保证学生网络能更好地学习教师网络隐藏的知识，提升学生模型的性能。
具体实现中，通过改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像。
进一步地，所述步骤S20之前，还包括：将包含病斑特征的叶片图像训练集输入至ResNet101模型进行训练，获得训练完成的ResNet101模型，并将所述ResNet101模型作为知识蒸馏的教师模型；将包含病斑特征的叶片图像训练集输入至MobileNetV3模型进行训练，获得训练完成的MobileNetV3模型，并将所述MobileNetV3模型作为知识蒸馏的学生模型；基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型。
需说明的是，教师模型是决定学生模型性能的重要因素，往往是单个复杂网络或者是若干网络的集合，拥有良好的性能和泛化能力。模型的部署与应用要求识别模型在保证准确率的同时尽快响应用户的操作，并且尽可能压缩模型所需的内存，以便给用户带来更好的体验。为选择合适的教师模型，前期训练过程中通过对VGG、AlexNet以及ResNet模型分别进行训练，比较各模型指标结果(如：平均识别准确率、模型参数量与FLOPs)，因此本方案通过采用平均识别准确率、模型参数量与FLOPs 3个指标评估模型的性能。其中，(1)平均识别准确率(AA)是评价识别模型性能最重要的指标。其计算公式如下所示：
Figure BDA0004084300300000081
上述式中ns代表样本类别的总数，i代表样本类别的标签，ni为第i类样本的总数，nii为第i类样本被预测为i的总数。
为避免某次实验带来的偶然性，重复多次实验取其平均值，其计算公式如下所示：
Figure BDA0004084300300000082
式中k表示实验的重复次数，本实验k＝10。
(2)模型参数量即网络模型所需参数的个数，用来衡量模型的大小，常以百万参数量M为单位，计算公式如下所示：
P＝(Kh*Kw*Cin)*Cout+Cout；
式中P表示卷积核的参数量，Kh为卷积核高度，Kw为卷积核宽度，Cin为输入维度的通道数，Cout为输出维度的通道数。
(3)FLOPs表示浮点运算次数，用来衡量模型的计算复杂度，常以百万浮点运算次数MFLOPs为单位。计算公式如下所示：
Figure BDA0004084300300000091
式中F表示卷积核的计算量，Kh、Kw、Cin、Cout代表的含义同上式，H代表输入特征图的高度，W代表输入特征图的宽度。
通过上述三种指标结果从待选教师模型中选取目标教师模型，根据实验对比各教师模型指标结果如表1所示(以番茄作为目标植物进行举例)，可以发现ResNet101在番茄病害分类任务中准确率达98.92％，相比VGG16、AlexNet、ResNet34和ResNet50网络有着很好的性能优势。能够从原始样本数据中学习到更多的知识，具有更强的模型泛化能力，适合作教师模型，ResNet101网络共由四个BottleNeck组成，每个block中分别对应着有4个残差模块组成，在网络的最前端和最后端分别是由1个7x7的卷积层、maxpool层以及平均池化层组成，其ResNet101网络结构图如图3所示。
表1教师模型对比
模型 平均识别准确率/％ 参数量/M FLOPs/G
VGG16 95.82 136.32 14.68
AlexNet 97.23 58.27 0.72
ResNet34 96.85 20.28 3.44
ResNet50 97.68 24.37 3.63
ResNet101 98.92 40.55 7.22
可理解的是，对于知识蒸馏方法，要求学生模型具有参数量少、计算量小、对计算机存储要求低、适用于各种负载等优点，为选择合适的学生模型，本方案通过对轻量级模型SqueezeNet、MobileNet和Xception分别进行训练，其中，根据实验对比各学生模型指标结果如表2所示，MobileNetV3模型所需参数量仅需5.23M，计算量0.34G，在轻量级模型中取得了更好的结果，适合作学生模型。MobileNet是一种在移动设备上运行的轻量化卷积神经网络，MobileNet将卷积层进行堆叠，卷积后仅连接一个全连接层和一个Softmax分类器。MobileNet的核心思想就是引入深度可分离卷积，即利用深度卷积和逐点卷积替代传统卷积操作，深度可分离卷积能够在确保精度损失不多的条件下，大幅减少网络所需的参数量和计算量。
表2学生模型对比
模型 平均识别准确率/％ 参数量/M FLOPs/G
Xception 97.09 22.73 7.26
SqueezeNet 95.65 7.65 0.90
MobileNetV3 96.42 5.23 0.34
具体实现中，选择一个合适的蒸馏方法可以让学生模型尽可能多的学习到教师模型中的隐藏的知识。在知识蒸馏过程中首先将源数据(处理后的植物图像)作为输入，通过训练好的高性能ResNet101模型得到一个soft targets预测，然后通过Loss约束MobileNetV3模型，使得MobileNetV3模型也能够得到相近的输出。将训练好的MobileNetV3模型作为改进知识蒸馏的植物病害识别模型。
步骤S30：基于所述植物病害图像确定病害类型。
需说明的是，病害类型包括目标植物对应的病害类型，不同植物对应的病害类型不同，并且表现特征也会不同，通常通过叶片表现出的病斑特征来确定病害类型，例如若以茄科植物举例，目标植物为番茄，通过识别番茄叶片的病斑特征确定番茄对应的病害类型，所述病害类型可以包括细菌性斑点病、早疫病、晚疫病、叶霉病、斑枯病、二斑叶螨病、轮斑病、花叶病、黄化曲叶病等。
可理解的是，通过对包含病害特征的植物病害图像中的病斑进行识别，确定病害图像对应的病害类型。
进一步地，所述步骤S30还包括：根据所述植物病害图像和预设病害类型对应的病斑特征库进行特征对比，获得对比结果；根据所述对比结果和预设相似率确定病害类型。
需说明的是，预设病害类型可以是预先设置的用于识别病斑对应的病害类型；其中病斑特征库包括各类型植物对应的病斑特征。
应理解的是，将植物病害图像中包含的病斑特征与病斑特征库中植物病害图像中的病斑特征进行特征对比，可以确定植物病害图像中包含的病斑特征对应的病害类型，从而能够确定茄科植物对应的病害类型，以保证后期精准的除害操作，从而提升产量，减少茄科植物因病害导致的损失。
本实施例对目标植物图像进行数据增强预处理，获得处理后的植物图像；基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；基于所述植物病害图像确定病害类型。由于本实施例通过改进知识蒸馏的植物病害识别模型对数据增强预处理获得的植物图像进行病害特征识别，并根据特征识别结果确定植物病害图像，从而进一步地确定病害类型，相较于现有技术中模型计算复杂度较高限制模型部署导致病害识别效率低且容易出现数据误差，本实施例实现了通过知识蒸馏后的轻量化模型进行病害识别，提升识别效率的同时保证了识别准确率。
参照图4，图4为本发明植物病害识别方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明植物病害识别方法的第二实施例。
在本实施例中，所述基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型的步骤，包括：根据所述教师模型对应的软标签和目标植物实际数据集对应的硬标签结合训练学生模型，输出预训练模型，并实时获取交叉熵损失函数与相对熵损失函数；根据所述交叉熵损失函数与相对熵损失函数确定混合损失函数，并基于所述混合损失函数训练目标函数；根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型。
需说明的是，在模型蒸馏过程中，教师模型会丢弃一些有用的属性信息，为了让学生模型更好地学习教师模型中隐藏的知识，本技术方案通过引入混合损失函数对学习模型对应的目标函数进行改进，通过结合交叉熵损失函数与相对熵损失函数进一步挖挖掘教师模型丢弃的属性中的有用信息。从而提升学生模型的模型识别准确率。
可理解的是，对于分类问题，softmax函数通常为神经网络的输出层，会生成一个分类的概率向量p，并将每个类别的logit值zi和其他类别的logit值进行比较，从而得到每个类别的概率pi(称为硬标签，如(1，0，0))，其计算公式下所示：
Figure BDA0004084300300000121
知识蒸馏方法修改了softmax输出层，引入温度T让输出层生成一个被“软化”后的概率向量qi(称为软标签，如(0.7，0.2，0.1))，计算公式如下所示：
Figure BDA0004084300300000122
式中T代表蒸馏温度，当T＝1时为原始softmax输出层。当T的值较高时，会生成一个更加平均的概率向量，起到保留相似信息的作用。模型训练旨在获取从样本数据中学习的知识，知识蒸馏方法是将原本数据集中离散的属性标签变成了连续的概率分布，提取教师网络中的隐藏知识(即软标签中的知识)，使得教师网络学习到的知识成为学生网络的一部分，具体实现步骤如下：
步骤一：对教师模型进行训练，并通过调参不断提升模型性能。
步骤二：计算步骤一教师模型的软标签。学生模型可通过学习软标签的信息熵来提高模型自身的泛化能力。
步骤三：将步骤二得到的软标签与真实数据集的标签结合训练学生模型，其目标函数由两个交叉熵损失函数(Cross Entropy，CE)的加权和组成，公式如式下所示：
L＝αCE(y,fS)+(1-α)CE(fS,fT)；
式中CE(.)为交叉熵损失函数，α为调整交叉熵损失函数权重的超参，fS为教师模型的输出，fT为学生模型的输出，y为真实标签。
步骤四：利用训练好的预训练学生模型进行预测。
应理解的是，为了让学生模型学习到更多教师模型隐藏的知识，通过结合交叉熵损失函数与相对熵损失函数确定混合损失函数，将混合损失函数作为学习模型的目标函数用于学习训练，从而能够保证在进行模型压缩的同时尽量保持其准确率，交叉熵损失函数常用来衡量真实标签与预测标签间概念分布的差异，当真实样本标签与预测样本标签间的差异变大时，交叉熵也会随之变大。相对熵损失函数(Relative Entropy，称KL散度)可以用来衡量不同模型分布间的相异度，当分布相同时，其相对熵为零；当分布的差异变大时，相对熵也会随之增大。故将上述两类损失函数进行结合后，就可以用交叉损失函数来衡量学生网络真实样本标签与预测样本标签间概念分布的差异，用相对熵损失函数来衡量教师模型输出的分布与学生模型输出的分布间的相异度。结合后的混合损失函数(记为Hloss)计算公式如式下所示：
Hloss＝αCE(y,fS)+(1-α)KL(fS,fT)；
式中KL(.)为相对熵损失函数，CE(.)为交叉熵损失函数，α为调整交叉熵损失函数权重的超参，fS为教师模型的输出，fT为学生模型的输出，y为真实标签。
具体实现中，本方案中以ResNet101为教师模型，并利用知识蒸馏法指导学生模型MobileNetV3，其蒸馏过程结构示意图如图5所示的。由图5可知，知识蒸馏过程中首先在高温情况下获得教师模型的软标签，接着结合真实数据集的硬标签训练学生模型，再通过引入混合损失函数训练目标函数，使学生网络能更好地学习教师网络隐藏的知识。为保证实验训练结果的可靠性，本方案以以茄科植物中番茄为例，将番茄图像数据集作为样本，利用十折交叉验证法把数据样本随机划分为10份，训练集、验证集以及测试集的比例为8：1：1。实验平台可以为Centos 64位，内存64GB，硬盘1TB，处理器可以为Intel(R)Xeon(R)CPU E5-2630 v4@2.20GH，并以Pytorch为深度学习框架，Python为编程语言，并利用显卡Tesla P40对图像进行加速处理。在模型训练过程中，本方案中利用批处理法将样本数据分为多个批次(batch)，学习率为0.001，迭代100个epoch。同时利用随机梯度下降优化算法SGD对模型进行优化，并将正则化系数设为0.0005以防止出现过拟合。并在蒸馏过程中针对以下几个方面对模型输出的数据进行分析，以确保知识蒸馏后的学生模型是否达到了最优性能，其中包括：
(1)分析蒸馏参数对模型性能的影响
模型蒸馏训练过程中，蒸馏参数温度T和调整损失函数权重α的选择都会影响蒸馏的结果，为寻找最合适的参数比例，对T取1，2，5，10，α取0.1，0.3，0.5，其训练对比结果如表3所示。由表3可知，在参数T＝5，α＝0.1的取值情况下蒸馏结果最优，识别结果达98.35％。其中，不同参数设置对识别结果的影响如下表所示：
表3不同参数设置对识别结果的影响
参数设置 平均识别准确率
T＝1，α＝0.1 97.78
T＝1，α＝0.3 97.63
T＝1，α＝0.5 97.55
T＝2，α＝0.1 98.01
T＝2，α＝0.3 97.86
T＝2，α＝0.5 97.65
T＝5，α＝0.1 98.35
T＝5，α＝0.3 97.69
T＝5，α＝0.5 97.35
T＝10，α＝0.1 97.64
T＝10，α＝0.3 97.28
T＝10,α＝0.5 97.03
(2)分析蒸馏前后模型性能对比
为验证本方案提出的知识蒸馏方法和混合损失函数的有效性，首先分别对教师模型和学生模型进行训练，再利用蒸馏方法对教师模型的知识进行蒸馏，最后引入混合损失函数，其对比结果如表4所示。由表4可知，在教师模型的指导学习下，蒸馏模型的平均识别率98.35％，相比学生模型平均识别率提高1.93％，说明蒸馏模型不仅能够学到教师模型的硬标签知识，还可以学到教师模型隐藏的部分知识。蒸馏模型所需参数5.23M，浮点运算次数0.34G，模型大小较教师模型缩小8倍。与Xception和SqueezeNet轻量级网络进行对比，本章提出的知识蒸馏模型平均识别准确率得到进一步提升、模型参数量和FLOPs得到进一步下降。引入混合损失函数的蒸馏模型平均识别率达98.87％，比原蒸馏模型高0.52％，说明引入混合损失函数的知识蒸馏可以获得更多的表示信息，从而提高蒸馏模型对番茄病害的识别效果。
表4蒸馏前后以及与其他轻量级网络对比
模型 平均识别准确 参数量/M FLOPs/G
MobileNetV3(学 96.42 5.23 0.34
ResNet101(教师) 98.92 40.55 7.22
知识蒸馏模型 98.35 5.23 0.34
知识蒸馏模型 98.87 5.23 0.34
Xception 97.09 22.73 7.26
SqueezeNet 95.65 7.65 0.90
(3)分析蒸馏前后损失值变化曲线对比
为进一步验证知识蒸馏模型的有效性，绘制损失函数进行分析，结果如图6所示的损失变化曲线图。由图6可以发现教师模型ResNet101和知识蒸馏模型的损失变化值很相似，知识蒸馏模型较教师模型收敛稍快，引入混合损失函数的模型在整个训练中损失最小，收敛速度最快，在迭代次数超过30次后，损失值趋于平稳。验证了本文提出的模型具有更强的鲁棒性，能够更好的应用于番茄叶片病害识别工作。
进一步地，所述根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型步骤之后，还包括：将未进行图像预处理的植物图像测试集对改进知识蒸馏的植物病害识别模型进行测试，获得测试结果；对所述测试结果进行混淆矩阵分析，根据分析结果输出所述改进知识蒸馏的植物病害识别模型。
需说明的是，通过上述方式获得训练好的学生模型(改进知识蒸馏的植物病害识别模型)需要进一步验证训练好的学生模型在测试集上的泛化能力可以通过将未进行图像预处理的植物图像测试集输入至改进知识蒸馏的植物病害识别模型进行测试，获得测试结果，对所述测试结果进行混淆矩阵分析，对其混淆矩阵进行可视化，并根据混交矩阵识别结果确定模型是否在保证高识别率的前提下，极大地减少模型参数量，缩小模型体积。从而输出训练好的学生模型作为改进知识蒸馏的植物病害识别模型，为进一步说明混淆矩阵结果图，可以以番茄识别结果为例，参考图7所示的混淆矩阵分析示意图，例如：番茄健康叶片、花叶片以及黄化曲叶病的识别率高达100％，其他7种病害的识别率也都在98％及以上。由此可以说明，知识蒸馏模型可以在保证高识别率的前提下，极大地减少模型参数量，缩小模型体积。
具体实现中，通过上述分析可以确定输出在保证高识别率的前提下，极大地减少模型参数量，缩小模型体积的模型作为后期实际使用的改进知识蒸馏的植物病害识别模型。
进一步地，所述步骤S20包括：
步骤S201：基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果确定图像特征信息。
需说明的是，基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果中的颜色特征、纹理特征、几何参数特征确定图像特征信息。
步骤S202：对所述图像特征信息进行病害特征识别，根据特征识别结果确定病害特征信息。
需说明的是，根据图像特征信息中颜色特征、纹理特征、几何参数特征与预设病害特征库中的特征参数进行对比，从而获得特征对比结果，根据特征对比结果进行病害特征识别，在所述特征对比结果中的相似率达到预设阈值时，根据所述颜色特征、所述纹理特征、所述几何参数特征生成病害特征信息。
步骤S203：根据所述病害特征信息分割所述植物图像，获得植物病害图像。
需说明的是，通过病害特征信息中的几何参数对所述植物图像进行分割，提取局部图像生成植物病害图像集合。
可理解的是，根据所述植物病害图像集合确定植物病害图像。
本实施例通过对目标植物图像进行数据增强预处理，获得处理后的植物图像；基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果确定图像特征信息；对所述图像特征信息进行病害特征识别，根据特征识别结果确定病害特征信息；根据所述病害特征信息分割所述植物图像，获得植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；基于所述植物病害图像确定病害类型。由于本实施例通过改进知识蒸馏的植物病害识别模型对数据增强预处理获得的植物图像进行病害特征识别，并根据特征识别结果确定植物病害图像，从而进一步地确定病害类型，相较于现有技术中模型计算复杂度较高限制模型部署导致病害识别效率低且容易出现数据误差，本实施例实现了通过知识蒸馏后的轻量化模型进行病害识别，提升识别效率的同时保证了识别准确率。
此外，为实现上述目的，本发明还提出一种植物病害识别设备，所述植物病害识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的植物病害识别程序，所述植物病害识别程序配置为实现如上文所述的植物病害识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有一种植物病害识别程序，所述植物病害识别程序被处理器执行时实现如上文所述的植物病害识别方法的步骤。
参照图8，图8为本发明植物病害识别装置第一实施例的结构框图。
如图8所示，本发明实施例提出的一种植物病害识别装置包括：
图像预处理模块10，用于对目标植物图像进行数据增强预处理，获得处理后的植物图像；
病害图像识别模块20，用于基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；
病害类型确定模块30，用于基于所述植物病害图像确定病害类型。
本实施例对目标植物图像进行数据增强预处理，获得处理后的植物图像；基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；基于所述植物病害图像确定病害类型。由于本实施例通过改进知识蒸馏的植物病害识别模型对数据增强预处理获得的植物图像进行病害特征识别，并根据特征识别结果确定植物病害图像，从而进一步地确定病害类型，相较于现有技术中模型计算复杂度较高限制模型部署导致病害识别效率低且容易出现数据误差，本实施例实现了通过知识蒸馏后的轻量化模型进行病害识别，提升识别效率的同时保证了识别准确率。
进一步地，所述图像预处理模块10，还用于对目标植物图像进行随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，获得处理后的植物图像。
进一步地，所述植物病害识别装置还包括模型训练模块，所述模型训练模块用于将包含病斑特征的叶片图像训练集输入至ResNet101模型进行训练，获得训练完成的ResNet101模型，并将所述ResNet101模型作为知识蒸馏的教师模型；将包含病斑特征的叶片图像训练集输入至MobileNetV3模型进行训练，获得训练完成的MobileNetV3模型，并将所述MobileNetV3模型作为知识蒸馏的学生模型；基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型。
进一步地，所述模型训练模块还用于根据所述教师模型对应的软标签和目标植物实际数据集对应的硬标签结合训练学生模型，输出预训练模型，并实时获取交叉熵损失函数与相对熵损失函数；根据所述交叉熵损失函数与相对熵损失函数确定混合损失函数，并基于所述混合损失函数训练目标函数；根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型。
进一步地，所述模型训练模块还用于将未进行图像预处理的植物图像测试集对改进知识蒸馏的植物病害识别模型进行测试，获得测试结果；对所述测试结果进行混淆矩阵分析，根据分析结果输出所述改进知识蒸馏的植物病害识别模型。
进一步地，所述病害图像识别模块20，还用于基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果确定图像特征信息；对所述图像特征信息进行病害特征识别，根据特征识别结果确定病害特征信息；根据所述病害特征信息分割所述植物图像，获得植物病害图像。
进一步地，所述病害类型确定模块30，还用于根据所述植物病害图像和预设病害类型对应的病斑特征库进行特征对比，获得对比结果；根据所述对比结果和预设相似率确定病害类型。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的一种植物病害识别方法，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种植物病害识别方法，其特征在于，所述植物病害识别方法包括：
对目标植物图像进行数据增强预处理，获得处理后的植物图像；
基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；
基于所述植物病害图像确定病害类型。
2.如权利要求1所述的植物病害识别方法，其特征在于，所述数据增强预处理包括随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，所述对目标植物图像进行数据增强预处理，获得处理后的植物图像的步骤，包括：
对目标植物图像进行随机裁剪、旋转、颜色增亮以及高斯模糊添噪四种预处理，获得处理后的植物图像。
3.如权利要求1所述的植物病害识别方法，其特征在于，所述基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像的步骤之前，还包括：
将包含病斑特征的叶片图像训练集输入至ResNet101模型进行训练，获得训练完成的ResNet101模型，并将所述ResNet101模型作为知识蒸馏的教师模型；
将包含病斑特征的叶片图像训练集输入至MobileNetV3模型进行训练，获得训练完成的MobileNetV3模型，并将所述MobileNetV3模型作为知识蒸馏的学生模型；
基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型。
4.如权利要求3所述的植物病害识别方法，其特征在于，所述基于所述教师模型和所述学生模型构建改进知识蒸馏的植物病害识别模型的步骤，包括：
根据所述教师模型对应的软标签和目标植物实际数据集对应的硬标签结合训练学生模型，输出预训练模型，并实时获取交叉熵损失函数与相对熵损失函数；
根据所述交叉熵损失函数与相对熵损失函数确定混合损失函数，并基于所述混合损失函数训练目标函数；
根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型。
5.如权利要求4所述的植物病害识别方法，其特征在于，所述根据所述目标函数和所述预训练模型构建改进知识蒸馏的植物病害识别模型步骤之后，还包括：
将未进行图像预处理的植物图像测试集对改进知识蒸馏的植物病害识别模型进行测试，获得测试结果；
对所述测试结果进行混淆矩阵分析，根据分析结果输出所述改进知识蒸馏的植物病害识别模型。
6.如权利要求1所述的植物病害识别方法，其特征在于，所述基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像的步骤，包括：
基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行图像识别，根据图像识别结果确定图像特征信息；
对所述图像特征信息进行病害特征识别，根据特征识别结果确定病害特征信息；
根据所述病害特征信息分割所述植物图像，获得植物病害图像。
7.如权利要求1所述的植物病害识别方法，其特征在于，所述基于所述植物病害图像确定病害类型的步骤，包括：
根据所述植物病害图像和预设病害类型对应的病斑特征库进行特征对比，获得对比结果；
根据所述对比结果和预设相似率确定病害类型。
8.一种植物病害识别设备，其特征在于，所述植物病害识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的植物病害识别程序，所述植物病害识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的植物病害识别方法。
9.一种存储介质，其特征在于，所述存储介质上存储有植物病害识别程序，所述植物病害识别程序被处理器执行时实现如权利要求1至7中任一项所述的植物病害识别方法。
10.一种植物病害识别装置，其特征在于，所述植物病害识别装置包括：
图像预处理模块，用于对目标植物图像进行数据增强预处理，获得处理后的植物图像；
病害图像识别模块，用于基于改进知识蒸馏的植物病害识别模型对处理后的植物图像进行病害特征识别，根据特征识别结果确定植物病害图像，所述改进知识蒸馏的植物病害识别模型为在高温情况下，通过知识蒸馏法将对应的教师模型的软标签与目标植物实际数据集的硬标签进行结合后对学生模型进行训练所获得的模型，所述学生模型的损失函数为混合损失函数；
病害类型确定模块，用于基于所述植物病害图像确定病害类型。
CN202310131685.2A 2023-02-15 2023-02-15 一种植物病害识别方法、设备、存储介质及装置 Pending CN116129189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310131685.2A CN116129189A (zh) 2023-02-15 2023-02-15 一种植物病害识别方法、设备、存储介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310131685.2A CN116129189A (zh) 2023-02-15 2023-02-15 一种植物病害识别方法、设备、存储介质及装置

Publications (1)

Publication Number Publication Date
CN116129189A true CN116129189A (zh) 2023-05-16

Family

ID=86297257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310131685.2A Pending CN116129189A (zh) 2023-02-15 2023-02-15 一种植物病害识别方法、设备、存储介质及装置

Country Status (1)

Country Link
CN (1) CN116129189A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894983A (zh) * 2023-09-05 2023-10-17 云南瀚哲科技有限公司 基于知识蒸馏的细粒度农业病虫害图像识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894983A (zh) * 2023-09-05 2023-10-17 云南瀚哲科技有限公司 基于知识蒸馏的细粒度农业病虫害图像识别方法及系统
CN116894983B (zh) * 2023-09-05 2023-11-21 云南瀚哲科技有限公司 基于知识蒸馏的细粒度农业病虫害图像识别方法及系统

Similar Documents

Publication Publication Date Title
CN110728224B (zh) 一种基于注意力机制深度Contourlet网络的遥感图像分类方法
US10303979B2 (en) System and method for classifying and segmenting microscopy images with deep multiple instance learning
Patidar et al. Rice plant disease detection and classification using deep residual learning
CN107909101A (zh) 基于卷积神经网络的半监督迁移学习字符识别方法及系统
Marques et al. Ant genera identification using an ensemble of convolutional neural networks
CN111680701A (zh) 图像识别模型的训练方法、装置及图像识别方法、装置
CN104820841B (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN113011243A (zh) 基于胶囊网络的面部表情分析方法
Pramunendar et al. Fish classification based on underwater image interpolation and back-propagation neural network
CN116129189A (zh) 一种植物病害识别方法、设备、存储介质及装置
Ubbens et al. Autocount: Unsupervised segmentation and counting of organs in field images
Anandhakrishnan et al. Identification of tomato leaf disease detection using pretrained deep convolutional neural network models
CN114974421A (zh) 基于扩散-降噪的单细胞转录组测序数据补插方法及系统
Dubey et al. An efficient adaptive feature selection with deep learning model-based paddy plant leaf disease classification
CN117253122B (zh) 玉米种子近似品种筛选方法、装置、设备及存储介质
Jang et al. Glamd: Global and local attention mask distillation for object detectors
Menezes et al. Pseudo-label semi-supervised learning for soybean monitoring
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
Xu et al. TrichomeYOLO: A Neural Network for Automatic Maize Trichome Counting
Cho et al. Fruit ripeness prediction based on dnn feature induction from sparse dataset
CN116188855A (zh) 多尺度的植物病害识别方法、设备、存储介质及装置
CN116935057A (zh) 目标评价方法、电子设备和计算机可读存储介质
US20220366242A1 (en) Information processing apparatus, information processing method, and storage medium
Gong et al. KDCTime: Knowledge distillation with calibration on InceptionTime for time-series classification

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