【技术实现步骤摘要】
一种基于负样本编码增强的农作物病害细粒度分类方法及系统
[0001]本专利技术涉及深度学习
，具体涉及一种基于负样本编码增强的农作物病害细粒度分类方法及系统。
技术介绍
[0002]农作物病害的诊断目前主要依赖于人工识别，成本高昂并且很难做到及时诊断。计算机视觉技术是实现农作物病害自动化检测的基础，其原理是输入病害图像并通过计算机学习不同类样本的不同特征分布，从而自动判定输入图像的病害类别，实现农作物病害的自动化检测。与人工识别相比，农作物病害自动化检测效率高、成本低，具有很高的应用价值。
[0003]农作物病害的诊断目前主要依赖专家系统和农技人员人工判别，然而专家系统系统庞大，需要实时更新维护，后期维护成本高昂，农技人员人工判别又具有成本高、及时性、人员稀缺等缺点。目前的计算机深度学习技术可以实现对病害样本的多层次统计规律的拟合和学习，是实现农作物病害自动化检测的基础，但直接对深度学习技术进行农业病害检测上的应用，会不可避免地出现性能的下降，原因在于不同于传统的分类任务(如飞机、汽车等)，农作物病害之间的相似...
【技术保护点】
【技术特征摘要】
1.一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，包括以下步骤：步骤一、采集农作物的不同病害图像和健康图像，所述病害图像作为正样本，对每张病害图像标注病害标签并分别归类，所述健康图像作为负样本；步骤二、对所述病害图像和所述健康图像进行预处理；步骤三、将预处理后的病害图像和健康图像按比例划分为训练集和测试集；步骤四、将所述训练集输入基于深度学习的图像识别模型中进行训练，并利用测试集测试以调整每一轮迭代训练后的模型参数，多轮迭代训练后获得训练好的图像识别模型；步骤五、将待测农作物图像输入训练好的图像识别模型中，获取识别分类结果。2.根据权利要求1所述的一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，步骤一中将部分病害图像进行PS处理，以生成作为负样本的健康图像。3.根据权利要求2所述的一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，步骤二中所述预处理包括下采样、随机裁剪、旋转变换、色彩增强处理。4.根据权利要求2所述的一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，步骤二中所述预处理包括对正样本标签采取独热编码表示，对负样本标签采取全零编码表示。5.根据权利要求1所述的一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，步骤四中所述基于深度学习的图像识别模型为CNN架构中ResNet50模型、MobileNetV2模型、ShufleNetV2模型的任意一个。6.根据权利要求5所述的一种基于负样本编码增强的农作物病害细粒度分类方法，其特征在于，步骤四所述基于深度学习的图像识别模型结构中，移除输出结果前的Softmax Layer层，改为恒等映射；移除交叉熵损失函数，使用均方差函数进行代替。7.根据权利要求6所述...
【专利技术属性】
技术研发人员：李继卿，尹振东，李大森，吴芝路，赵延龙，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
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。