一种病虫害的识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及一种病虫害的识别方法、装置、设备和存储介质。该方法通过使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络；连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型；使用目标数据集对所述病虫害识别模型进行训练，得到经过训练的所述病虫害识别模型，所述目标数据集中的样本数据包括标记有病虫害信息的图像；将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息，实现使用少量的目标数据集，即可获取病虫害识别模型，达到对病虫害进行识别和防治的技术效果。

【技术实现步骤摘要】
一种病虫害的识别方法、装置、设备和存储介质
本专利技术涉及植保的
，尤其涉及一种病虫害的识别方法、装置、设备和存储介质。
技术介绍
农作物、蔬菜、果树和花卉等经济作物，从播种、生长至收获，经常受到各种有害生物(如植物病原、害虫、杂草和害鼠等)的危害。有害生物种类繁多且形态各异，发生规律各有不同，而且时常爆发。对我国国民经济、特别是农业生产造成重大损失。因此，正确识别植物病虫害，掌握有害生物的习性、特点，对防控有害生物极其重要。一旦发生病虫害，广大从业者往往依靠传统经验进行粗略判断，再利用当地容易获取的农药农资，实施一些事后防治措施。鉴于从业人员存在的以下问题，往往不易获得良好的防治效果：(1)对病虫害的认知水平有限，不能正确识别病虫害类型；(2)对病虫害防治技术了解不深，难以获得专家具体指导，不易采取有针对性的高效且环保的合理防治措施和方案；(3)无法在更大范围掌握周边病虫害发生的概率及发展情况，做趋势性判断更是无能为力。如果仅依靠少数植保科技工作人员或昆虫研究者，通过手工检查、肉眼观察来完成，识别效率较低，识别率又极其不稳定。同时，由于植保科技人员有限，再加上有些区域位置偏远、交通不便，许多病虫害无法及时现场识别，只好根据种植户的描述来识别，而许多种植户专业知识有限，无法提供准确描述，常导致误判。给农业生产的质量和产量都带来较大损害。
技术实现思路
本专利技术的目的在于提出一种病虫害的识别方法、装置、设备和存储介质，以实现使用少量的目标数据集，即可获取病虫害识别模型，达到对病虫害进行识别和防治的技术效果。为实现上述目的，本申请第一方面提供了一种病虫害的识别方法，包括：使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络；连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型；使用目标数据集对所述病虫害识别模型进行训练，得到经过训练的所述病虫害识别模型，所述目标数据集中的样本数据包括标记有病虫害信息的图像；将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息。优选的，所述源数据集与所述目标数据集具有共同特征。优选的，在所述使用预置的源数据集对特征提取网络进行预训练之前，还包括：从目标数据集的样本数据中提取出共同特征；从预置的数据集中选取所述源数据集，所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。优选的，所述连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型，包括：对预训练的所述特征提取网络执行针对特征维度的变换操作；将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入，组成病虫害识别模型。优选的，所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息，包括：采集待识别植物的目标图像；将所述目标图像输入经过训练的所述病虫害识别模型识别，以在所述目标图像上标记所述植物的病虫害信息；其中，所述病虫害信息至少包括：病虫的位置、病虫的种类和病虫害的严重程度中的一种。优选的，在所述输出所述植物的病虫害信息之后，还包括：输出针对所述病虫害信息的防治信息。优选的，待识别植物的目标图像包括所述植物所处的地理位置信息，所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息之后，还包括：从所述目标图像中提取出待识别植物所处的地理位置信息；根据上述地理位置信息在地图中相应的地理位置标记所述病虫害信息；根据所述地图上各区域的所述病虫害信息的分布情况，输出针对各区域的病虫害防治信息。为实现上述目的，本申请第二方面提供了一种病虫害的识别装置，包括：预训练模块，用于使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络；连接模块，用于连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型；训练模块，用于使用目标数据集对所述病虫害识别模型进行训练，得到经过训练的所述病虫害识别模型，所述目标数据集中的样本数据包括标记有病虫害信息的图像；识别模块，用于将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息。为实现上述目的，本申请第三方面提供了一种病虫害的识别设备，所述病虫害的识别设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如第一方面中任一所述的方法。为实现上述目的，本申请第四方面提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的方法。由上可见，本申请提供的技术方案，可以实现使用少量的目标数据集，即可获取病虫害识别模型，达到对病虫害进行识别和防治的技术效果。附图说明图1是本专利技术实施例1中一种病虫害的识别方法的步骤示意图；图2是本专利技术实施例1中一种病虫害识别模型的结构示意图；图3是本专利技术实施例1中一种病虫害信息的示意图；图4是本专利技术实施例1中一种病虫害的识别方法在线应用的结构示意图；图5是本专利技术实施例2中一种病虫害的识别装置的结构示意图；图6是本专利技术实施例3中一种病虫害的识别设备的结构示意图。具体实施方式以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。实施例1图1是本专利技术实施例1中一种病虫害的识别方法的步骤示意图；本实施例中，病虫害的识别方法可以运行在病虫害的识别设备之上，其中，病虫害的识别设备可以是电脑、服务器、移动终端等设备。本实施例中将以病虫害的识别设备为服务器为例进行详细说明。具体的，参照图1,该方法可以包括如下的步骤：S110、使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络。本实施例中，特征提取网络，可以用于从包括植物的图像中提取出图像特征。该图像特征可以用于进一步的分析，以确定该图像中的植物是否出现病虫害。在一实施例中，该特征提取网络可以是卷积神经网络(ConvolutionalNeuralNetwork，CNN)等深层网络。示例性的，可以是VGG卷积神经网络，ResNet和Darknet等卷积神经网络中的一种。其中，VGG卷积神经网络是牛津大学计算机视觉实验室提出的网络结构，为了解决ImageNet中的1000类图像分类和定位问题。具体的，可以使用VGG卷积神经网络中的VGG16模型，作为本实施例中的特征提取网络。其中，ResNet在2015年被提出，可以对特征进行超强表达，可以用在检测，分割，识别等领域。其中，Darknet是最经典的一个深层网络，结合了Resnet的特点，在保证对特征进行超强表达的同时，又避免了网络过深带来的梯度问题，主要有Darknet19和D本文档来自技高网...

【技术保护点】
1.一种病虫害的识别方法，其特征在于，包括：/n使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络；/n连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型；/n使用目标数据集对所述病虫害识别模型进行训练，得到经过训练的所述病虫害识别模型，所述目标数据集中的样本数据包括标记有病虫害信息的图像；/n将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息。/n

【技术特征摘要】
1.一种病虫害的识别方法，其特征在于，包括：
使用预置的源数据集对特征提取网络进行预训练，得到预训练的特征提取网络；
连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型；
使用目标数据集对所述病虫害识别模型进行训练，得到经过训练的所述病虫害识别模型，所述目标数据集中的样本数据包括标记有病虫害信息的图像；
将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息。


2.根据权利要求1所述的方法，其特征在于，所述源数据集与所述目标数据集具有共同特征。


3.根据权利要求2所述的方法，其特征在于，在所述使用预置的源数据集对特征提取网络进行预训练之前，还包括：
从目标数据集的样本数据中提取出共同特征；
从预置的数据集中选取所述源数据集，所述源数据集中的样本数据与所述目标数据集中的样本数据具有所述共同特征。


4.根据权利要求1所述的方法，其特征在于，所述连接预训练的所述特征提取网络和预置的预测网络，得到病虫害识别模型，包括：
对预训练的所述特征提取网络执行针对特征维度的变换操作；
将执行完所述变换操作的所述特征提取网络作为预置的预测网络的输入，组成病虫害识别模型。


5.根据权利要求1所述的方法，其特征在于，所述将待识别植物的目标图像输入经过训练的所述病虫害识别模型进行识别，以输出所述植物的病虫害信息，包括：
采集待识别植物的目标图像；
将所述目标图像输入经过训练的所述病虫害识别模型识别，以在所述目标图像上标记所述植物的病虫害信息；
其中，所述病虫害信息至少包括：病虫的位置、病虫的种类和病虫...

【专利技术属性】
技术研发人员：张亮，孙海，郑荣，李振，程俊华，徐代强，殷聪，陈彬，
申请(专利权)人：上海理想信息产业集团有限公司，
类型：发明
国别省市：上海;31