辣椒病害识别方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种辣椒病害识别方法、装置、电子设备及存储介质，属于农业种植技术领域，其中，辣椒病害识别方法包括：获取待检测图像，待检测图像中包括辣椒；将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。该方法利用训练好的机器学习模型代替了人工的主观判断，节省了人力，并且识别速度快，通过不断的优化调整准确率可以超过人为主观判断。为主观判断。为主观判断。

【技术实现步骤摘要】
辣椒病害识别方法、装置、电子设备及存储介质


[0001]本申请属于农业种植
，具体涉及一种辣椒病害识别方法、装置、电子设备及存储介质。

技术介绍

[0002]辣椒，别名：牛角椒、长辣椒、菜椒、灯笼椒，拉丁文名：Capsicum annuum L，为木兰纲、茄科、辣椒属一年或有限多年生草本植物。
[0003]目前，辣椒病害识别依靠人工采样调查，根据专家经验进行识别判断，无将成熟方法推广应用于辣椒病害预测的技术。并且该识别判断方法劳动强度大、耗时长。

技术实现思路

[0004]本申请的目的是提供一种辣椒病害识别方法、装置、电子设备及存储介质以解决现有技术识别辣椒病害劳动强度大、耗时长的问题。
[0005]根据本申请实施例的第一方面，提供一种辣椒病害识别方法，该方法可以包括：
[0006]获取待检测图像，待检测图像中包括辣椒；
[0007]将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
[0008]进一步地，训练好的机器学习模型包括特征提取网络；
[0009]将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，包括：
[0010]将待检测图像输入到特征提取网络，得到病害坐标、病害分类及置信度；
[0011]根据病害坐标、病害分类及置信度标记待检测图像，得到带有病害标记的图像。
[0012]进一步地，训练好的机器学习模型是通过下述方法训练得到的：
>[0013]获取多个辣椒病害图像；
[0014]对多个辣椒病害图像进行增广处理，得到训练图像集；
[0015]对训练图像集中每个图像进行病害标记，得到标记图像集；
[0016]利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型。
[0017]进一步地，对多个辣椒病害图像进行增广处理，得到训练图像集，包括：
[0018]对多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；
[0019]将多个增广图片与多个辣椒病害图像组成训练图像集。
[0020]进一步地，机器学习模型包括：特征提取网络和损失函数；
[0021]利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型，包括：
[0022]将标记图像集中标记图像输入特征提取网络，得到预测特征图；
[0023]利用预测特征图和标记图像训练损失函数，得到训练好的机器学习模型。
[0024]进一步地，特征提取网络包括：多个卷积层和残差模块；
[0025]将标记图像集中标记图像输入特征提取网络，得到预测特征图，包括：
[0026]将标记图像集中标记图像输入到多个卷积层，得到低维特征；
[0027]将低维特征输入到残差模块，得到高维特征；
[0028]基于低维特征和高维特征，得到预测特征图。
[0029]进一步地，残差模块包括卷积层和自注意力模块；
[0030]将低维特征输入到残差模块，得到高维特征，包括：
[0031]将低维特征输入到卷积层，得到第一残差提取特征；
[0032]将第一残差提取特征输入到自注意力模块，得到第二残差提取特征；
[0033]将第一残差提取特征与第二残差提取特征相加后连接一个卷积，并进行信息富集，得到第三残差提取特征；
[0034]将第一残差提取特征与第三残差提取特征相加，得到高维特征。
[0035]根据本申请实施例的第二方面，提供一种辣椒病害识别装置，该装置可以包括：
[0036]获取模块，用于获取待检测图像，待检测图像中包括辣椒；
[0037]识别模块，用于将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
[0038]进一步地，训练好的机器学习模型包括特征提取网络；
[0039]识别模块，包括：
[0040]特征提取单元，用于将待检测图像输入到特征提取网络，得到病害坐标、病害分类及置信度；
[0041]标记单元，用于根据病害坐标、病害分类及置信度标记待检测图像，得到带有病害标记的图像。
[0042]进一步地，训练好的机器学习模型是通过下述方法训练得到的：
[0043]获取多个辣椒病害图像；
[0044]对多个辣椒病害图像进行增广处理，得到训练图像集；
[0045]对训练图像集中每个图像进行病害标记，得到标记图像集；
[0046]利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型。
[0047]进一步地，对多个辣椒病害图像进行增广处理，得到训练图像集，包括：
[0048]对多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；
[0049]将多个增广图片与多个辣椒病害图像组成训练图像集。
[0050]进一步地，机器学习模型包括：特征提取网络和损失函数；
[0051]利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型，包括：
[0052]将标记图像集中标记图像输入特征提取网络，得到预测特征图；
[0053]利用预测特征图和标记图像训练损失函数，得到训练好的机器学习模型。
[0054]进一步地，特征提取网络包括：多个卷积层和残差模块；
[0055]将标记图像集中标记图像输入特征提取网络，得到预测特征图，包括：
[0056]将标记图像集中标记图像输入到多个卷积层，得到低维特征；
[0057]将低维特征输入到残差模块，得到高维特征；
[0058]基于低维特征和高维特征，得到预测特征图。
[0059]进一步地，残差模块包括卷积层和自注意力模块；
[0060]将低维特征输入到残差模块，得到高维特征，包括：
[0061]将低维特征输入到卷积层，得到第一残差提取特征；
[0062]将第一残差提取特征输入到自注意力模块，得到第二残差提取特征；
[0063]将第一残差提取特征与第二残差提取特征相加后连接一个卷积，并进行信息富集，得到第三残差提取特征；
[0064]将第一残差提取特征与第三残差提取特征相加，得到高维特征。
[0065]根据本申请实施例的第三方面，提供一种电子设备，该电子设备可以包括：
[0066]处理器；
[0067]用于存储处理器可执行指令的存储器；
[0068]其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的飞行器飞行包线计算方法。
[0069]根据本申请实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现以实现如第一方面的任一项实施例中所示的飞行器飞行包线计算方法。...

【技术保护点】

【技术特征摘要】
1.一种辣椒病害识别方法，其特征在于，包括：获取待检测图像，所述待检测图像中包括辣椒；将所述待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，所述训练好的机器学习模型为融合自注意力机制的模型。2.根据权利要求1所述的辣椒病害识别方法，其特征在于，所述训练好的机器学习模型包括特征提取网络；所述将所述待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，包括：将所述待检测图像输入到所述特征提取网络，得到病害坐标、病害分类及置信度；根据所述病害坐标、所述病害分类及所述置信度标记所述待检测图像，得到所述带有病害标记的图像。3.根据权利要求1所述的辣椒病害识别方法，其特征在于，所述训练好的机器学习模型是通过下述方法训练得到的：获取多个辣椒病害图像；对所述多个辣椒病害图像进行增广处理，得到训练图像集；对所述训练图像集中每个图像进行病害标记，得到标记图像集；利用所述标记图像集对机器学习模型进行训练，得到所述训练好的机器学习模型。4.根据权利要求3所述的辣椒病害识别方法，其特征在于，所述对所述多个辣椒病害图像进行增广处理，得到训练图像集，包括：对所述多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；将所述多个增广图片与所述多个辣椒病害图像组成所述训练图像集。5.根据权利要求1所述的辣椒病害识别方法，其特征在于，所述机器学习模型包括：特征提取网络和损失函数；所述利用所述标记图像集对机器学习模型进行训练，得到所述训练好的机器学习模型，包括：将所述标记图像集中标记图像输入特征提取网络，得到预测特征图；利用所述预测特征图和所述标记图像训练所述损失函数，得到所述训练好的机器学...

【专利技术属性】
技术研发人员：宋敏，丁智欢，李明，孙雨佳，
申请(专利权)人：云南春芯科技有限公司，
类型：发明
国别省市：