基于半监督学习训练中草药病虫害识别模型的方法与系统技术方案

本发明专利技术公开了一种基于半监督学习训练中草药病虫害识别模型的方法，包括：获取包括多个样本图像的标注图像数据集，每个样本图像标注有对应的样本病理类型标签；基于样本图像训练Resnet50深度学习模型，得到第一标注模型；获取包含多个未标注图像的未标注图像数据集，将未标注图像输入至第一标注模型中，得到各个未标注图像对应的病理类型及其对应的概率值；基于标注图像数据集与各个未标注图像的病理类型及其对应的概率值训练第一标注模型对应的finetune模型，以得到中草药病虫害识别模型；通过中草药病虫害识别模型对待标注的中草药图像进行识别，提高了识别的精确度。本发明专利技术涉及智慧医疗场景中，从而推动智慧城市的建设。设。设。

【技术实现步骤摘要】
基于半监督学习训练中草药病虫害识别模型的方法与系统


[0001]本专利技术实施例涉及人工智能
，尤其涉及一种基于半监督学习训练中草药病虫害识别模型的方法与系统。

技术介绍

[0002]目前，深度学习是大数据时代的算法利器，成为近几年的研究热点。和传统的人工智能算法相比，深度学习技术有着两方面的优势。一是深度学习技术可随着数据规模的增加不断提升其性能，而传统人工智能算法(包括基于规则的专家系统)难以利用海量数据持续提升其性能。二是深度学习技术可以从数据中直接提取特征，削减了对每一个问题设计特征提取器的工作，而传统人工智能算法需要人工提取特征，例如传统的医学专家系统就需要基于数据进行专家规则的提取。深度学习技术所具有的优势在某些领域已经取得不错的进展，例如，基于深度卷积网络的图像分类技术已超过人眼的准确率，基于深度神经网络的语音识别技术已达到95％的准确率，基于深度神经网络的机器翻译技术已接近人类的平均翻译水平。
[0003]在中草药病虫害图像数据标注方面，中草药病虫害图像数据标注工作耗时、人力成本投入量大、成本高；中草药病虫害图像数据标注需要经验丰富的中草药专家才能标注，标注难度大；少量标注数据无法满足识别精度要求。
[0004]由于以上问题，深度学习技术目前在中草药病虫害图像数据标注方面缺少成熟有效的系统，多源不规整的中草药病虫害图像数据标注也未获得有效利用。

技术实现思路

[0005]有鉴于此，本专利技术实施例的目的是提供一种基于半监督学习训练中草药病虫害识别模型的方法与系统，提高中草药病虫害识别模型的训练的精确度，应用时得到更为准确的识别结果。
[0006]为实现上述目的，本专利技术实施例提供了一种基于半监督学习训练中草药病虫害识别模型的方法，包括：
[0007]获取标注图像数据集，所述标注图像数据集包括多个样本图像，其中，每个样本图像中具有与所述样本图像对应的样本病理类型标签；
[0008]基于所述标注图像数据集中的样本图像训练Resnet50深度学习模型，得到第一标注模型；
[0009]获取未标注图像数据集，将所述未标注图像集中包含的多个未标注图像输入至所述第一标注模型中，得到各个未标注图像对应的病理类型以及所述病理类型对应的概率值；
[0010]将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型；
[0011]获取待标注的中草药图像，将所述待标注的中草药图像输入至所述中草药病虫害识别模型中，以得到所述中草药图像的目标病理类型以及所述目标病理类型对应的目标概率值。
[0012]进一步地，所述将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型包括：
[0013]将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集；
[0014]基于所述新训练数据集训练所述第一标注模型对应的finetune模型，其中，在训练所述finetune模型的过程中，将所述标注图像数据集的损失权重值设置为第一权重值，根据所述概率值将所述未标注图像的损失权重值设置为第二权重值，以得到中草药病虫害识别模型。
[0015]进一步地，所述基于所述标注图像数据集中的样本图像训练Resnet50深度学习模型，得到第一标注模型包括：
[0016]将所述标注图像数据集划分为训练数据集、验证数据集以及测试数据集；
[0017]以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型，得到第二标注模型；
[0018]将所述验证数据集中的样本图像输入至所述第二标注模型中进行校验，并根据校验结果修正所述第二标注模型，得到第一标注模型。
[0019]进一步地，所述以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型包括：
[0020]将所述训练数据集中的样本图像输入至所述Resnet50深度学习模型中；
[0021]通过所述Resnet50深度学习模型对所述样本图像进行图像分割处理，得到若干个互不相交的待检测区域图像；
[0022]提取每个所述待检测区域图像的图像轮廓特征，根据提取的所述图像轮廓特征计算出所述样本图像与病理类型的概率值；
[0023]将所述病理类型中概率值最大的作为输出病理类型，并根据所述输出病理类型与所述样本图像对应的样本病理类型之间的差异值调整所述Resnet50深度学习模型。
[0024]进一步地，所述以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型，得到第二标注模型包括：
[0025]以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，训练所述Resnet50深度学习模型输出所述样本图像与所述样本图像对应的病理类型的概率值；
[0026]根据输出的概率值与训练数据集中的样本图像对应的概率值的差值调整所述Resnet50深度学习模型的参数，继续训练所述Resnet50深度学习模型，直到所述Resnet50深度学习模型收敛为止，将收敛时的Resnet50深度学习模型作为所述第二标注模型。
[0027]进一步地，所述以所述训练数据集中的样本图像作为所述Resnet50深度学习模型
输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型，得到第二标注模型之后，包括：
[0028]将所述测试数据集输入至训练好的所述第二标注模型中，以判断所述第二标注模型是否输出所述测试数据集的测试病理类型以及测试病历类型对应的测试概率值；
[0029]若输出所述测试数据集的测试病理类型以及测试病历类型对应的测试概率值，则表示所述第二标注模型训练成功。
[0030]进一步地，所述方法还包括：
[0031]将所述中草药病虫害识别模型上传至区块链中。
[0032]为实现上述目的，本专利技术实施例提供了一种基于半监督学习训练中草药病虫害识别模型的系统，包括：
[0033]第一获取模块，用于获取标注图像数据集，所述标注图像数据集包括多个样本图像，其中，每个样本图像中具有与所述样本图像对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督学习训练中草药病虫害识别模型的方法，其特征在于，包括：获取标注图像数据集，所述标注图像数据集包括多个样本图像，其中，每个样本图像中具有与所述样本图像对应的样本病理类型标签；基于所述标注图像数据集中的样本图像训练Resnet50深度学习模型，得到第一标注模型；获取未标注图像数据集，将所述未标注图像集中包含的多个未标注图像输入至所述第一标注模型中，得到各个未标注图像对应的病理类型以及所述病理类型对应的概率值；将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型；获取待标注的中草药图像，将所述待标注的中草药图像输入至所述中草药病虫害识别模型中，以得到所述中草药图像的目标病理类型以及所述目标病理类型对应的目标概率值。2.根据权利要求1所述的基于半监督学习训练中草药病虫害识别模型的方法，其特征在于，所述将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型包括：将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集；基于所述新训练数据集训练所述第一标注模型对应的finetune模型，其中，在训练所述finetune模型的过程中，将所述标注图像数据集的损失权重值设置为第一权重值，根据所述概率值将所述未标注图像的损失权重值设置为第二权重值，以得到中草药病虫害识别模型。3.根据权利要求1所述的基于半监督学习训练中草药病虫害识别模型的方法，其特征在于，所述基于所述标注图像数据集中的样本图像训练Resnet50深度学习模型，得到第一标注模型包括：将所述标注图像数据集划分为训练数据集、验证数据集以及测试数据集；以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型，得到第二标注模型；将所述验证数据集中的样本图像输入至所述第二标注模型中进行校验，并根据校验结果修正所述第二标注模型，得到第一标注模型。4.根据权利要求3所述的基于半监督学习训练中草药病虫害识别模型的方法，其特征在于，所述以所述训练数据集中的样本图像作为所述Resnet50深度学习模型输入，所述训练数据集中的样本图像与其对应的病理类型的概率值作为所述Resnet50深度学习模型的输出，训练所述Resnet50深度学习模型包括：将所述训练数据集中的样本图像输入至所述Resnet50深度学习模型中；通过所述Resnet50深度学习模型对所述样本图像进行图像分割处理，得到若干个互不相交的待检测区域图像；
提取每个所述待检测区域图像的图像轮廓特征，根据提取的所述图像轮廓特征计算出所述样本图像与病理类型的概率值；将所述病理类型中概率值最大的作为输出病理类型，并根据所述输出病理类型与所述样本图像对应的样本病理类型之间的差异值调整所述Resnet50深度学习模型。5.根据权利要求4所述的基于半监督学习训练中草药病...

【专利技术属性】
技术研发人员：罗林锋，
申请(专利权)人：深圳赛安特技术服务有限公司，
类型：发明
国别省市：