CN117058492A - 一种基于学习解耦的两阶段训练病害识别方法和系统 - Google Patents
一种基于学习解耦的两阶段训练病害识别方法和系统 Download PDFInfo
- Publication number
- CN117058492A CN117058492A CN202311322535.6A CN202311322535A CN117058492A CN 117058492 A CN117058492 A CN 117058492A CN 202311322535 A CN202311322535 A CN 202311322535A CN 117058492 A CN117058492 A CN 117058492A
- Authority
- CN
- China
- Prior art keywords
- disease
- decoupling
- learning
- training
- stage
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 182
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 182
- 238000012549 training Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007635 classification algorithm Methods 0.000 claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 24
- 230000036541 health Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 241000700605 Viruses Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000035240 Disease Resistance Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108091028732 Concatemer Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V10/77—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- 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; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
Description
技术领域
本发明涉及图像识别技术、农业育种领域，尤其涉及一种基于学习解耦的两阶段训练病害识别方法和系统。
背景技术
病害防治一直是农业发展中一个重要的课题。在智能育种过程中，分析种质资源的抗病性一直是当前的热门课题。而对农作物叶部病害的诊断和识别则是其重要基础。但在实际应用中，往往是通过人工识别诊断费时费力，且识别精度不能满足要求并带有一定的主观性。针对人工诊断所存在的问题，研究人员提出了一些基于机器学习的植物病害识别方法。主要是通过人工设计分类特征，如颜色特征、形状特征、纹理特征或者两种或两种以上人工特征的融合。然而，这些人工设计的特性是基于人类经验选择的，这限制了模型的通用性，且识别精度仍然不高。近年来，深度卷积神经网络(Deep Convolutional NeuralNetwork，简称DCNN)在植物病害识别领域得到了广泛的应用，农作物叶片病害识别的精度得到了大幅提高，而且却缺乏对病害程度识别等功能，难以为病害预警等做一系列的技术支撑。即使少数科研人员提出了专门针对病害等级的分类算法，但也只是将病害分类和病害等级简单的算法拼接，不但消耗的计算资源较大，且由于学习竞争问题导致精度下降。
基于此，需要提供一种准确度高，成本较低且可以同时进行农作物病害种类识别和病害程度分类的方法。
发明内容
本发明要克服现有技术存在上述缺点，提供一种基于学习解耦的两阶段训练病害识别方法和系统。
在病害种类识别与病害严重等级细粒度分类任务上，两者存在着明显的学习竞争问题。即，病害种类识别涉及到不同病害的类间距离的学习，而区分病害等级更多的是针对类内距离的学习，而且当一个叶片的病害等级较低时其与健康叶片相似度相对较高，从而导致识别病害种类时难度增大。基于上述问题，本发明提出了一种基于学习解耦的两阶段训练病害识别方法，通过将学习类间距离和学习类内距离的种类识别和等级分类任务进行解耦，然后采用加入健康样本监督机制进行两阶段训练，最终实现单模型完成病害种类识别和等级分类两个任务，其具体技术方案如下：
一种基于学习解耦的两阶段训练病害识别方法，包括以下步骤：
步骤S1：采集待识别作物的图像样本，制作训练数据集；
步骤S2：构造基于学习解耦的分类算法网络模型；
步骤S3：对基于学习解耦的分类算法网络模型进行一阶段训练；
步骤S4：固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；
步骤S5：基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
进一步的，所述步骤S1具体为：利用无人机载具搭载可见光相机或者利用手机，在种植区拍照获取目标农作物的RGB可见光图像；整理图像数据，挑选其中具有代表性的若干张健康叶片图像作为健康二阶段数据集，并对剩余图像进行病害种类的归类标注以及病害严重等级的标注。
进一步的，所述步骤S2中，构造的基于学习解耦的分类算法网络模型包括特征提取骨干网络、解耦自相关模块、类别预测模块、二阶段监督模块。所述的特征提取骨干网络由Resnet50网络构成，用于提取目标作物叶片的外观特征；所述的解耦自相关模块由两个相互独立的自相关模块构成，分别用于病害种类和病害等级特征提取；所述的类别预测模块主要由全连接层构成，用于预测目标的病害种类和病害等级；所述二阶段监督模块主要由相似度计算层和特征求和以及Concate层构成，用于监督病害等级的细分类问题。
进一步的，所述步骤S2中的基于学习解耦的分类算法模型分别预测两类任务，即病害种类预测和病害严重等级预测，病害严重等级预测以范围为0~1的预测值表达，叶片病害越严重则该预测值越趋近于1。因此基于学习解耦的分类算法模型损失函数采用两种分类任务的L1函数的求和平均，即:
其中，表示病害种类损失函数，/>表示病害等级损失函数，m表示病害种类数，k为大于1的正整数，表示病害总的等级数，/>表示第i类病害真实标签，/>表示模型对第i类病害的预测置信度，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
进一步的，所述的自相关模块包括平均池化、通道注意力模块、矩阵重塑Reshape、矩阵转置Transpose、归一化指数函数Softmax、矩阵拼接Concate，利用特征自相关机制获取不同分类任务下的特征权重，并最终获取不同任务下的加权后的特征。图像送入特征提取骨干网络，由特征提取骨干网络提取外观及纹理特征F，然后经过自相关模块得到自相关权重w，最终基于自相关权重w加权得到两个分类特征，即病害类别特征和病害等级特征/>。最后将病害类别特征和等级类别特征分别送入类别预测模块进行预测。
进一步的，所述步骤S3中，对基于学习解耦的分类算法模型进行一阶段训练，即将所述的基于学习解耦的分类算法网络的二阶段监督模块去除，仅对由特征提取骨干网络、解耦自相关模块、类别预测模块组成的算法网络进行训练。首先在公开农业数据集上进行训练，而后在步骤S1中整理的数据集上训练。
进一步的，所述步骤S4中，固定特征提取骨干网络、解耦自相关模块中的病害分类分支、类别预测模块中的病害分类分支的权重，对原网络加入二阶段监督模块进行二阶段训练；特征提取骨干网络的输入由一阶段时的一个变成两个，即新增一个基于已固定的特征提取骨干网络对健康样本图像提取的特征序列作为输入。利用健康样本和训练样本的特征相似度对第二阶段的等级分类任务进行强监督，经过特征提取骨干网络提取的健康样本的特征表示为，其中，在训练阶段N等于1，且为随机挑选的健康样本，而在部署阶段N不小于3，且为随机挑选的N个健康样本。则，二阶段等级分类任务的分类特征表示为，即由采用健康样本等级特征与训练样本等级特征的余弦距离加权后的等级特征与原等级特征的拼接得到。当叶片在外观程度更接近健康叶片样本时，其等级特征在维度上会呈现一定的对称性，而外观不相似时，则没有这一特性。在二阶段训练中，由于病害种类的参数已经固定，所以为了剔除病害种类的影响，总的损失函数则修改为病害等级的损失函数，即，/>。
其中，表示病害等级损失函数，k为大于1的正整数，表示病害总的等级数，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
进一步的，所述步骤S5，基于训练得到的基于学习解耦的分类算法模型进行最终预测，由于病害种类识别和病害等级分类的输入同源，因此病害等级分类新增一个健康分类，即病毒程度极低的叶片被认为是健康叶片。
本发明还涉及一种基于学习解耦的两阶段训练病害识别系统，包括：
数据集采集模块，用于采集待识别作物的图像样本，制作训练数据集；
分类算法网络模型构造模块，用于构造基于学习解耦的分类算法网络模型；
一阶段训练模块，用于对基于学习解耦的分类算法模型进行一阶段训练；
二阶段训练模块，用于固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；
病害种类和病害等级推理模块，用于基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
本发明还涉及一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于学习解耦的两阶段训练病害识别方法。
本发明还涉及一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本发明的一种基于学习解耦的两阶段训练病害识别方法。
与现有的技术相比，本发明的有益效果为：1、基于学习解耦的网络模块可以很好的处理单模型下病害分类与等级分类这两种任务的学习竞争问题；2、通过引入健康样本监督模式可以更好的强化病害等级细分类问题，防止模型产生所有送入的叶片均默认是有病害的情况。3、本方法用单个模型同时解决了病害种类识别和病害等级分类两种任务，节省了计算资源，为抗病害育种及病害预警提供了技术支撑。
附图说明
图1为本发明实施例提供的一种基于学习解耦的两阶段训练病害识别方法流程示意图；
图2为本发明实施例提供的一种基于学习解耦的两阶段训练病害识别方法的整体网络框架示意图；
图3为本发明实施例提供的一种基于学习解耦的两阶段训练病害识别方法的通道注意力网络框架示意图；
图4是本发明实施例提供的一种基于学习解耦的两阶段训练病害识别方法及系统的硬件结构示意图；
图5是本发明系统的示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
实施例1
如图1所示，本发明的一种基于学习解耦的两阶段训练病害识别方法，具体包括以下步骤内容：
步骤S1：采集待识别作物的图像样本，制作训练数据集；
具体地，利用无人机载具搭载可见光相机或者利用手机，在种植区拍照获取目标农作物的RGB可见光图像；整理图像数据，挑选其中具有代表性的若干张健康叶片图像作为健康二阶段数据集，并对剩余图像进行病害种类的归类标注以及病害严重等级的标注，标注病害等级依任务需求而定，这里采用五个等级，病害严重等级标签值为0，0.25，0.5，0.75，1，其中1表示最严重。
步骤S2：构造基于学习解耦的分类算法网络模型；
具体地，构造的基于学习解耦的分类算法网络模型包括特征提取骨干网络、解耦自相关模块、类别预测模块、二阶段监督模块，如图2所示。所述的特征提取骨干网络由Resnet50网络构成，主要用于提取目标作物叶片的外观特征，二阶段监督模块的特征提取骨干网络与一阶段的骨干网络共享权重；所述的解耦自相关模块由两个相互独立的自相关模块组成，分别用于病害种类和病害等级特征提取；所述的类别预测模块主要由全连接层组成，分别用于预测目标的病害种类和病害等级；所述二阶段监督模块主要由相似度计算层和特征求和以及Concate层组成，主要用于监督病害等级的细分类问题。
具体地，基于学习解耦的分类算法模型分别预测两类任务，即病害种类预测和病害严重等级预测，病害严重等级预测以范围为0~1的值表达，当目标为健康叶片时，该值应该越趋近于0，而叶片病害越严重则该预测值越趋近于1。因此基于学习解耦的分类算法模型损失函数采用两种分类任务的L1函数的求和平均，即:
其中，表示病害种类损失函数，/>表示病害等级损失函数，m表示病害种类数，k为大于1的正整数，本实施案例中k为4，表示病害总的等级数，/>表示第i类病害真实标签，表示模型对第i类病害的预测置信度，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
具体地，如图2所示，所述自相关模块包括平均池化、通道注意力模块、矩阵重塑Reshape、矩阵转置Transpose、归一化指数函数Softmax、矩阵拼接Concate，利用特征自相关机制获取不同分类任务下的特征权重，并最终获取不同任务下的加权后的特征。输入图像送入特征提取骨干网络，由特征提取骨干网络提取外观及纹理特征F，然后经过自相关模块得到自相关权重w，最终基于自相关权重w加权得到两个分类特征，即病害类别特征和病害等级特征/>。最后将病害类别特征和等级类别特征分别送入类别预测模块进行预测，需要注意的是，在等级分类任务中，当一个叶片的病害程度相当低时，可认为是健康叶片，即其病害等级值应该趋近于0。
具体地，通道注意力模块结构如图3所示，即通道注意力模块包括最大池化层、平均池化层、共享多层感知机、激活层。首先对输入的特征图进行全局池化和平均池化，然后将池化的结果送入多层感知机进行特征通道的学习，然后将多层感知机的输出结果进行拼接后送入激活函数，最终的输出则为通道注意力的值。
步骤S3：对基于学习解耦的分类算法网络模型进行一阶段训练；
具体地，对基于学习解耦的分类算法网络模型进行一阶段训练，如图2所示，一阶段训练主要针对网络的上半个部分，即将所述的基于学习解耦的分类算法网络的二阶段监督模块去除，仅对由特征提取骨干网络、解耦自相关模块、类别预测模块组成的算法网络进行训练。训练采用首先在公开农业数据集上进行训练，而后在所述S1步骤中整理的数据集上训练。
步骤S4：固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；
具体地，如图2所示，二阶段训练主要针对网络的下半个部分，即固定特征提取骨干网络、解耦自相关模块中的病害分类分支、类别预测模块中的病害分类分支的权重，对一阶段训练的网络加入二阶段监督模块进行二阶段训练；特征提取骨干网络的输入由一阶段时的一个变成两个，即新增一个基于已固定的特征提取骨干网络对健康样本图像提取的特征序列作为输入。利用健康样本和训练样本的特征相似度对第二阶段的等级分类任务进行强监督，假设经过特征提取骨干网络提取的健康样本的特征表示为，其中，在训练阶段N等于1，且为随机挑选的健康样本，而在部署阶段N不小于3，且为随机挑选的N个健康样本。则，二阶段等级分类任务的分类特征表示为/>，即由采用健康样本等级特征与训练样本等级特征的余弦距离加权后的等级特征与原等级特征的拼接得到。当叶片在外观程度更接近健康叶片样本时，其等级特征在维度上会呈现一定的对称性，而外观不相似时，则没有这一特性。在二阶段训练中，由于病害种类的参数已经固定，所以为了剔除病害种类的影响，总的损失函数则修改为病害等级的损失函数，即，/>。
其中，表示病害等级损失函数，k为大于1的正整数，本实施案例中k为4，表示病害总的等级数，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
步骤S5：基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
具体地，基于训练得到的基于学习解耦的分类算法模型进行最终预测，由于病害种类识别和病害等级分类的输入同源，因此病害等级分类新增一个健康分类，即病毒程度极低的叶片被认为是健康叶片。
本发明的优点是：准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
实施例2
如图5所示，本实施例涉及用于实现实施例1的方法的一种基于学习解耦的两阶段训练病害识别系统，包括：
数据集采集模块，用于采集待识别作物的图像样本，制作训练数据集；
分类算法网络模型构造模块，用于构造基于学习解耦的分类算法网络模型；
一阶段训练模块，用于对基于学习解耦的分类算法网络模型进行一阶段训练；
二阶段训练模块，用于固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；
病害种类和病害等级推理模块，用于基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
实施例3
本实施例涉及一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现实施例1的一种基于学习解耦的两阶段训练病害识别方法。
实施例4
本实施例涉及一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现实施例1的一种基于学习解耦的两阶段训练病害识别方法。
在硬件层面，参见图4所示，该计算设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现实施例1所述的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于学习解耦的两阶段训练病害识别方法，其特征在于，包括以下步骤：
步骤S1：采集待识别作物的图像样本，制作训练数据集；
步骤S2：构造基于学习解耦的分类算法网络模型；
步骤S3：对基于学习解耦的分类算法网络模型进行一阶段训练；
步骤S4：固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；
步骤S5：基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
2.如权利要求1所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述步骤S1具体包括：利用无人机载具搭载可见光相机或者利用手机，在种植区拍照获取目标农作物的RGB可见光图像；整理图像数据，挑选其中具有代表性的若干张健康叶片图像作为健康二阶段数据集，并对剩余图像进行病害种类的归类标注以及病害严重等级的标注。
3.如权利要求2所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，步骤S2所述的基于学习解耦的分类算法网络模型包括：特征提取骨干网络、解耦自相关模块、类别预测模块、二阶段监督模块；所述的特征提取骨干网络由Resnet50网络构成，用于提取目标作物叶片的外观特征；所述的解耦自相关模块由两个相互独立的自相关模块构成，用于病害种类和病害等级特征提取；所述的类别预测模块由全连接层构成，用于预测目标的病害种类和病害等级；所述的二阶段监督模块由相似度计算层和特征求和以及Concate层构成，用于监督病害等级的细分类问题。
4.如权利要求3所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，步骤S2所述的基于学习解耦的分类算法网络模型分别预测两类任务，即病害种类预测和病害严重等级预测，病害严重等级预测以范围为0~1的预测值表达，叶片病害越严重则该预测值越趋近于1；基于学习解耦的分类算法模型的损失函数采用两类分类任务的L1函数的求和平均，即:
其中，表示病害种类损失函数，/>表示病害等级损失函数，m表示病害种类数，k为大于1的正整数，表示病害总的等级数，/>表示第i类病害真实标签，/>表示模型对第i类病害的预测置信度，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
5.如权利要求4所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述的自相关模块包括平均池化、通道注意力模块、矩阵重塑Reshape、矩阵转置Transpose、归一化指数函数Softmax、矩阵拼接Concate，利用特征自相关机制获取不同分类任务下的特征权重，并最终获取不同任务下的加权后的特征；输入图像送入特征提取骨干网络，由特征提取骨干网络提取外观及纹理特征F，然后经过自相关模块得到自相关权重w，最终基于自相关权重w加权得到两个分类特征，即病害类别特征和病害等级特征；最后将病害类别特征和等级类别特征分别送入类别预测模块进行预测。
6.如权利要求5所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，步骤S3中对基于学习解耦的分类算法网络模型进行一阶段训练，即将所述的基于学习解耦的分类算法网络的二阶段监督模块去除，仅对由特征提取骨干网络、解耦自相关模块、类别预测模块组成的算法网络进行训练；首先在公开农业数据集上进行训练，而后在步骤S1步骤中整理的数据集上训练。
7.如权利要求6所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述步骤S4中对基于学习解耦的分类算法网络模型进行二阶段训练，即固定特征提取骨干网络、解耦自相关模块中的病害分类分支、类别预测模块中的病害分类分支的权重，对原网络加入二阶段监督模块进行二阶段训练；特征提取骨干网络的输入由一阶段时的一个变成两个，即新增一个基于已固定的特征提取骨干网络对健康样本图像提取的特征序列作为输入；利用健康样本和训练样本的特征相似度对第二阶段的等级分类任务进行强监督，经过特征提取骨干网络提取的健康样本的特征表示为，其中，在训练阶段N等于1，且为随机挑选的健康样本，而在部署阶段N不小于3，且为随机挑选的N个健康样本；则，二阶段等级分类任务的分类特征表示为/>，即由采用健康样本等级特征与训练样本等级特征的余弦距离加权后的等级特征与原等级特征的拼接得到；当叶片在外观程度更接近健康叶片样本时，其等级特征在维度上会呈现对称性，而外观不相似时，则没有这一特性；在二阶段训练中，由于病害种类的参数已经固定，为了剔除病害种类的影响，总的损失函数则修改为病害等级的损失函数，即，/>；
其中，表示病害等级损失函数，k为大于1的正整数，表示病害总的等级数，/>表示第i类病害等级的真实标签，/>表示模型对第i类病害等级的预测置信度。
8.如权利要求7所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述步骤S5中，基于训练得到的基于学习解耦的分类算法网络模型进行最终预测，由于病害种类识别和病害等级分类的输入同源，因此病害等级分类新增一个健康分类，即病毒程度极低的叶片被认为是健康叶片。
9.一种基于学习解耦的两阶段训练病害识别系统，其特征在于，包括：
数据集采集模块，用于采集待识别作物的图像样本，制作训练数据集；
分类算法网络模型构造模块，用于构造基于学习解耦的分类算法网络模型；
一阶段训练模块，用于对基于学习解耦的分类算法模型进行一阶段训练；
二阶段训练模块，用于固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；
病害种类和病害等级推理模块，用于基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种基于学习解耦的两阶段训练病害识别方法。
11.一种计算设备，其特征在于：包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的一种基于学习解耦的两阶段训练病害识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311322535.6A CN117058492B (zh) | 2023-10-13 | 2023-10-13 | 一种基于学习解耦的两阶段训练病害识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311322535.6A CN117058492B (zh) | 2023-10-13 | 2023-10-13 | 一种基于学习解耦的两阶段训练病害识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117058492A true CN117058492A (zh) | 2023-11-14 |
| CN117058492B CN117058492B (zh) | 2024-02-27 |
Family
ID=88654053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311322535.6A Active CN117058492B (zh) | 2023-10-13 | 2023-10-13 | 一种基于学习解耦的两阶段训练病害识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058492B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| CN113657561A (zh) * | 2021-10-20 | 2021-11-16 | 之江实验室 | 一种基于多任务解耦学习的半监督夜间图像分类方法 |
| US11205098B1 (en) * | 2021-02-23 | 2021-12-21 | Institute Of Automation, Chinese Academy Of Sciences | Single-stage small-sample-object detection method based on decoupled metric |
| CN114140663A (zh) * | 2021-12-03 | 2022-03-04 | 齐鲁工业大学 | 一种基于多尺度注意力学习网络的害虫识别方法及系统 |
| CN114239754A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院自动化研究所 | 基于属性特征学习解耦的行人属性识别方法及系统 |
| CN114693990A (zh) * | 2022-03-11 | 2022-07-01 | 中国科学院合肥物质科学研究院 | 基于特征提取的小样本农作物病害识别方法、存储介质 |
| CN115830633A (zh) * | 2022-11-24 | 2023-03-21 | 之江实验室 | 基于多任务学习残差神经网络的行人重识别方法和系统 |
| CN116612307A (zh) * | 2023-02-15 | 2023-08-18 | 中南民族大学 | 一种基于迁移学习的茄科病害等级识别方法 |
-
2023
- 2023-10-13 CN CN202311322535.6A patent/CN117058492B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| US11205098B1 (en) * | 2021-02-23 | 2021-12-21 | Institute Of Automation, Chinese Academy Of Sciences | Single-stage small-sample-object detection method based on decoupled metric |
| CN113657561A (zh) * | 2021-10-20 | 2021-11-16 | 之江实验室 | 一种基于多任务解耦学习的半监督夜间图像分类方法 |
| CN114140663A (zh) * | 2021-12-03 | 2022-03-04 | 齐鲁工业大学 | 一种基于多尺度注意力学习网络的害虫识别方法及系统 |
| CN114239754A (zh) * | 2022-02-24 | 2022-03-25 | 中国科学院自动化研究所 | 基于属性特征学习解耦的行人属性识别方法及系统 |
| CN114693990A (zh) * | 2022-03-11 | 2022-07-01 | 中国科学院合肥物质科学研究院 | 基于特征提取的小样本农作物病害识别方法、存储介质 |
| CN115830633A (zh) * | 2022-11-24 | 2023-03-21 | 之江实验室 | 基于多任务学习残差神经网络的行人重识别方法和系统 |
| CN116612307A (zh) * | 2023-02-15 | 2023-08-18 | 中南民族大学 | 一种基于迁移学习的茄科病害等级识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王艳玲等: "基于迁移学习的番茄叶片病害图像分类", 中国农业大学学报, no. 06 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117058492B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458107B (zh) | 用于图像识别的方法和装置 | |
| CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
| CN113095124A (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
| CN111931002B (zh) | 一种匹配方法以及相关设备 | |
| Bhatt et al. | Detection of diseases and pests on images captured in uncontrolled conditions from tea plantations | |
| Wen et al. | Wheat spike detection and counting in the field based on SpikeRetinaNet | |
| CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
| KR20210095671A (ko) | 이미지 처리 방법 및 관련 장치 | |
| CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
| CN113887325A (zh) | 一种模型训练方法、表情识别方法以及装置 | |
| Tong et al. | A real-time detector of chicken healthy status based on modified YOLO | |
| Zhang et al. | Underwater target detection algorithm based on improved YOLOv4 with SemiDSConv and FIoU loss function | |
| CN117011718B (zh) | 一种基于多元损失融合的植物叶片细粒度识别方法和系统 | |
| Chen et al. | YOLOv8-CML: A lightweight target detection method for Color-changing melon ripening in intelligent agriculture | |
| CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统 | |
| CN117058492B (zh) | 一种基于学习解耦的两阶段训练病害识别方法和系统 | |
| Alsaadi et al. | An automated mammals detection based on SSD-mobile net | |
| CN103473562B (zh) | 特定人体动作的自动训练和识别系统 | |
| CN115953743A (zh) | 一种基于改进的yolo模型的车位状态识别方法 | |
| Zhu et al. | Real-time traffic sign detection based on YOLOv2 | |
| Wang et al. | A deep object detection method for pineapple fruit and flower recognition in cluttered background | |
| CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
| CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| Bi et al. | Multiscale anti-deformation network for target tracking in UAV aerial videos |
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 |