植物病害识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种植物病害识别方法、装置、电子设备及存储介质，该方法包括：获取待识别植物病害的目标图像；将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的。本发明专利技术利用集成分类思想与元学习相结合的小样本植物病害识别方法，病害识别结果是根据每个分类器的输出进行加权得到，大大减少了识别结果的方差，同时对实际病害分类器的参数初始值以及集成分类器各决策权重采用元学习的训练方法得到，提高了分类器的稳定性和植物病害识别的准确率。分类器的稳定性和植物病害识别的准确率。分类器的稳定性和植物病害识别的准确率。

【技术实现步骤摘要】
植物病害识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及数字图像处理领域，尤其涉及一种植物病害识别方法、装置、电子设备及存储介质。

技术介绍

[0002]农作物病害是导致减产的重要因素，快速识别病害类型，配制相应的农药及时杀灭病菌，对于减施增效有重要的意义。目前智能手机的已得到广泛使用，其摄像头可以随时捕获病害图像，借助数字图像识别技术，为作物病害诊断提供了一种便捷的手段。病害识别中主要采用深度卷积神经网络，这是一种高参数的模型，采用海量数据进行训练，数据量越大，训练模型的识别精度就越高。但目标数据不足时普遍采用迁移学习进行训练，即便如此也需要数千样本用于训练。在实践中往往受采集成本和时间限制，往往不能采集到很多病害样本，特别是一些不常见作物病害，其发生具有随机性，无法事先预测，很难系统性地获得大量样本。当只有少数几张病害样本时，无法用之训练大型深度神经网络，因为会产生过拟合，导致识别精度急剧下降。
[0003]小样本学习利用少量标注数据，通过学习不同子任务中的共性，提高识别模型泛化性能，进而满足实际病害识别需求。目前小样本学习方法大致分为基于度量学习的、基于元学习的、基于数据增强的以及基于多模态的方法。对于小样本学习，仅用很少训练样本使其很难在新的类型上训练出强力的分类模型。

技术实现思路

[0004]本专利技术的目的是提供一种植物病害识别方法、装置、电子设备及存储介质，用以减少了识别结果的方差，提高了分类器的稳定性和植物病害识别的准确率。
[0005]第一方面，本专利技术提供一种植物病害识别方法，包括：
[0006]获取待识别植物病害的目标图像；
[0007]将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；
[0008]其中，所述植物病害识别模型是基于集成分类和元学习的训练方法而得到的，所述训练方法包括：
[0009]基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，
[0010]将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；
[0011]其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。
[0012]可选地，所述训练方法还包括：采用与待识别的目标病害图像相似的一般植物病
害的图像的集合，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参数，赋予一组序列分类器，这组序列分类器在目标病害图像集合上进行二次训练学习。
[0013]可选地，所述训练方法包括：
[0014]步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集S
de
，S
de
包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集S
tv
，S
tv
包含了用于训练的植物病害图像及对应的病害类型标签，S
tv
与S
de
中植物病害类型不相同；
[0015]步骤S2：确定元学习器ML训练过程的循环次数N
outer
，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量N
T
，建立一组网络结构与元学习器ML相同的基学习器初始化各基学习器的初始决策权重
[0016]步骤S3：按照N
‑
Way M
‑
shot方式从S
tv
抽样出N
inner
组训练任务{T
sup
，T
que
}；
[0017]步骤S4：以θ作为初始值，在每组T
sup
以算法1依次训练以算法1依次训练更新BL
i
(i＝1,
…
,N
T
)的参数，计算所有BL
i
(i＝1，
…
,N
T
)在T
que
上的损失函数L
que
；
[0018]步骤S5：在N
inner
组训练任务上计算总体元损失函数L
meta
，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；
[0019]步骤S6：将步骤S3、步骤S4和步骤S5重复N
outer
次，得到元学习器ML的最终参数θ和决策权重w。
[0020]可选地，所述训练所述植物病害识别模型还包括：
[0021]步骤S7：重新构造一组新的基学习器从S
de
抽样出N
act
组训练任务{T
sup
，T
que
}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在N
act
组训练任务的T
sup
(i＝1,
…
,N
act
)上，用所述算法1重新训练并在N
act
组训练任务的T
que
上评估待识别病害平均分类精度，若平均精度满足预设条件，则将作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对的预测结果进行加权，取最高得分的分类作为预测的病害。
[0022]可选地，所述步骤S4包括：
[0023]步骤S41：以所述元学习器的参数θ初始化BL1；
[0024]步骤S42：依次地训练其中，训练BL
i
时，BL
i
的初始参数为经训练的BL
i
‑1的参数，训练对象仅为BL
i
，其它的N
T
‑
1个基学习器不参与训练。
[0025]可选地，训练BL
i
的过程包括：
[0026]步骤S421：令i＝1；
[0027]步骤S422：计算BL
i
在T
sup
的所有病害图像上的损失函数：
[0028][0029]其中，是BL
i
以第BL
i
‑1的参数作为初始参数，对T
sup
的第j个病害图
像的植物病害类型进行预测的结果，
[0030]其中，是对应的真实病害类型标签，具有one
‑
hot型结构，
[0031]其中，L
CE
是软交叉熵函数，
[0032]其中，对i＝1的基学习器BL1，其初始参数取θ，N
sup
是T
...

【技术保护点】

【技术特征摘要】
1.一种植物病害识别方法，其特征在于，包括：获取待识别植物病害的目标图像；将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；其中，所述植物病害识别模型是基于元学习和集成分类的训练方法而得到的，所述训练方法包括：基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。2.根据权利要求1所述的植物病害识别方法，其特征在于，所述训练方法包括：采用与待识别的目标病害图像相似的一般植物病害的图像的集合，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参数，赋予一组序列分类器，这组序列分类器在目标病害图像集合上进行二次训练学习。3.根据权利要求1或2所述的植物病害识别方法，其特征在于，所述训练方法包括：步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集S
de
，S
de
包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集S
tv
，S
tv
包含了用于训练的植物病害图像及对应的病害类型标签，S
tv
与S
de
中植物病害类型不相同；步骤S2：确定元学习器ML训练过程的循环次数N
outer
，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量N
T
，建立一组网络结构与元学习器ML相同的基学习器初始化各基学习器的初始决策权重步骤S3：按照N
‑
Way M
‑
shot方式从S
tv
抽样出N
inner
组训练任务{T
sup
，T
que
}；步骤S4：以θ作为初始值，在每组T
sup
以算法1依次训练以算法1依次训练更新BL
i
(i＝1,
…
,N
T
)的参数，计算所有BL
i
(i＝1,
…
,N
T
)在T
que
上的损失函数L
que
；步骤S5：在N
inner
组训练任务上计算总体元损失函数L
meta
，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；步骤S6：将步骤S3、步骤S4和步骤S5重复N
outer
次，得到元学习器ML的最终参数θ和决策权重w。4.根据权利要求3所述的植物病害识别方法，其特征在于，所述训练所述植物病害识别模型还包括：步骤S7：重新构造一组新的基学习器从S
de
抽样出N
act
组训练任务{T
sup
，T
que
}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在N
act
组训练任务的T
sup
(i＝1,
…
,N
act
)上，用所述算法1重新训练并在N
act
组
训练任务的T
que
上评估待识别病害平均分类精度，若平均精度满足预设条件，则将作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重...

【专利技术属性】
技术研发人员：冯全，张建华，陈佰鸿，杨森，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：