The invention relates to a method of crop disease recognition based on feature transfer learning, which belongs to the field of image processing and agricultural information technology. The method includes: collecting crop disease images to establish a database; selecting other auxiliary fields with big data sets and evaluating and screening them; based on the text prior knowledge related to crop disease images, adopting deep transfer network to build a cross Transfer learning model of media; using deep migration network, learning to assist the feature representation of open source big data, and further combining unsupervised domain adaptation method, migrating to the field of crop disease image to realize automatic annotation of target data; combining multimodal agricultural domain knowledge, synchronously realizing domain adaptation and final classifier construction, and multi-path migration learning adaptive method optimization The overall performance of the system. This method can improve the accuracy of crop disease recognition, and is suitable for crop disease recognition of small samples, multiple crops and multiple diseases. It provides a new solution for the shortage of crop disease image resources.
【技术实现步骤摘要】
一种基于特征迁移学习的作物病害图像识别方法
本专利技术属于图像处理和农业信息
,具体涉及一种基于特征迁移学习的作物病害图像识别方法。
技术介绍
基于图像的作物病害识别是智能农业的一部分,是综合利用图像处理、植物病理学、模式识别等技术手段来分析病害图像信息,得到病害的识别特征和模型,快速、准确地识别出病害类型,为农民提供病害防治信息,提高农业生产效率。传统机器学习方法解决作物病害图像识别时存在以下问题:一是对原始图片样本的依赖性强,难以克服对外界环境(光照和光线变化、空气等)变化的影响;二是传统图像识别步骤繁杂,需要对原始图片样本进行预处理、图像分割、特征提取以及分类识别,过程中的每一步处理结果都很容易对最终结果造成影响;三是当数据量大的时候,传统机器学习方法难以实现,运算效率较低。迁移学习(TransferLearning)是将已训练好的模型参数或学习到的知识迁移到目标领域以帮助新的模型训练,从而使得在缺乏大规模标注数据的目标领域也能够学习得到较好的模型。迁移学习的出现初步克服了深度学习方法需要大量训练数据的限制,为解决因作物病害图像资源不够而导致难以使用深度学习方法训练高质量模型的难题提供了新思路。本专利技术提出一种基于特征迁移学习的作物病害识别方法,将互联网其他领域的“大数据”或跨媒体的知识迁移到“作物病害图像识别”领域辅助模型训练,并同时利用深度学习方法更好地学习其他“大数据”领域的底层特征,然后把学习到的特征迁移到作物病害图像领域,构建适合的迁移学习模型,最终提高作物病害智能识别效果。< ...
【技术保护点】
1.一种基于特征迁移学习的作物病害识别方法,其特征在于包括以下步骤:/n步骤S1:收集一定种类一定数量的作物病害图像建立目标领域数据集;/n步骤S2:选择其他领域的大数据资源,筛选和评估后选取恰当的数据集作为迁移学习的辅助领域数据;/n步骤S3:将辅助领域与目标领域的数据映射到同一潜在空间后对高维特征空间降维,利用相似度加权投票方法缩小辅助领域与作物病害图像目标领域的数据分布差异性,具体包括以下步骤:/n步骤S31:设计恰当的同一潜在空间,使其能够将辅助领域与目标领域的数据均映射到该潜在空间,利用基于压缩感知理论的降维算法将高维空间中辅助领域与作物病害图像领域间的复杂关系进行更加简单的表示,实现对高维的图像特征空间进行降维;/n步骤S32:在特征统一后的潜在空间中,对作物病害图像领域的每个实例,抽取距离该实例最近的辅助领域的多个实例,利用相似度加权投票方法对所有实例进行预处理,从而缩小辅助领域与作物病害图像领域的数据分布差异性;/n步骤S4:基于作物病害图像相关的文本先验知识,采用深度迁移网络构建跨媒体的迁移学习模型,使模型可以支持利用作物病害的文本知识来辅助作物病害图像分类,实现基于 ...
【技术特征摘要】
1.一种基于特征迁移学习的作物病害识别方法,其特征在于包括以下步骤:
步骤S1:收集一定种类一定数量的作物病害图像建立目标领域数据集;
步骤S2:选择其他领域的大数据资源,筛选和评估后选取恰当的数据集作为迁移学习的辅助领域数据;
步骤S3:将辅助领域与目标领域的数据映射到同一潜在空间后对高维特征空间降维,利用相似度加权投票方法缩小辅助领域与作物病害图像目标领域的数据分布差异性,具体包括以下步骤:
步骤S31:设计恰当的同一潜在空间,使其能够将辅助领域与目标领域的数据均映射到该潜在空间,利用基于压缩感知理论的降维算法将高维空间中辅助领域与作物病害图像领域间的复杂关系进行更加简单的表示,实现对高维的图像特征空间进行降维;
步骤S32:在特征统一后的潜在空间中,对作物病害图像领域的每个实例,抽取距离该实例最近的辅助领域的多个实例,利用相似度加权投票方法对所有实例进行预处理,从而缩小辅助领域与作物病害图像领域的数据分布差异性;
步骤S4:基于作物病害图像相关的文本先验知识,采用深度迁移网络构建跨媒体的迁移学习模型,使模型可以支持利用作物病害的文本知识来辅助作物病害图像分类,实现基于深度迁移网络的跨媒体领域自适应,具体包括以下步骤:
步骤S41:采用深度迁移网络解决跨媒体领域间数据分布的差异问题,对辅助领域与作物病害图像领域的组合特征空间对于二者的组合特征空间X=[Xs,Xt],利用经验最大平均偏差方法计算数据分布差异的度量标准:
其中MMD是最大均值差,Xs是辅助领域组合特征空间,Xt是作物病害图像领域的组合特征空间,Mij是MMD矩阵,a,b分别代表辅助领域和作物病害图像领域的样本数量;
步骤S42:利用投影矩阵与激活函数对特征进行投影与非线性变化,对每层进行类似的重复处理,得到作物病害文本数据集与作物病害图像数据集的边缘分布,然后对二者的边缘分布进行约束,使其差异最小,以得到最终MMD度量;
步骤S43:基于统一语义空间的特征向量表示学习方法,将文本与图像等跨媒体的原始数据转化为统一特征向量表示,结合近邻算法和特征翻译,将辅助领域数据翻译到作物病害图像领域特征空间,设计一个统一的语言模型进行学习与分类;
步骤S44:结合用于图像分类的异构迁移学习方法,将辅助病害知识文本、已有标注、未标注的病害图像共三个数据源作为模型的输...
【专利技术属性】
技术研发人员:袁媛,陈雷,
申请(专利权)人:中国科学院合肥物质科学研究院,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。