【技术实现步骤摘要】
基于半监督学习的小麦赤霉病孢子检测方法
[0001]本专利技术涉及农业的深度学习
，尤其涉及一种基于半监督学习的小麦赤霉病孢子检测方法。
技术介绍
[0002]在小麦种植和农业生产过程中小麦赤霉病是一种常见且具有破坏性的病害。小麦赤霉病是由多种镰刀菌引起的，其孢子是病害的主要传播途径。因此，对小麦赤霉病孢子的检测可以帮助农民及时采取防治措施，减少病害造成的损失。
[0003]在传统的孢子检测方法中，常使用机器学习的方法进行检测或显微镜技术来识别和计数孢子。然而，这些方法存在如下的问题和局限性：第一、传统孢子检测方法需要依赖经验丰富的专业人员进行孢子的标记和计数，这种方法的结果可能受到操作者主观判断和主观误差的影响，导致结果的不一致性和不可靠性；第二、传统孢子检测方法需要大量的人力和时间投入，由于孢子数量巨大且分布广泛，对大规模的样本进行标记和计数是一项繁琐且耗时的工作，限制了其在实际应用中的效率；第三、传统孢子检测方法由于标注过程的复杂性和人力资源的限制，获得足够数量的准确标注数据是具有困难性和时间性的，这导致...
【技术保护点】
【技术特征摘要】
1.一种基于半监督学习的小麦赤霉病孢子检测方法，其特征在于，包括如下步骤：S1、将小麦赤霉病孢子样本数据经过数据增强分别输入到学生模型和教师模型，学生模型与教师模型之间互相学习；S2、在伪标签生成阶段引入动态自适应阈值，根据训练阶段过程中模型的损失来计算伪标签分配时使用的高阈值；S3、在训练阶段引入域感知损失来缓解有标记孢子样本数据和无标记孢子样本数据之间的差异；S4、输出有标记孢子样本数据的边界框位置、有标记孢子样本数据的类别、有标记孢子样本数据的置信度得分和无标记孢子样本数据的伪标签。2.根据权利要求1所述的一种基于半监督学习的小麦赤霉病孢子检测方法，其特征在于，所述学生模型与教师模型之间互相学习包括：学生模型利用梯度下降优化器对有标记孢子样本数据和无标记孢子样本数据对学生模型参数进行训练更新：；其中， 表示学生模型参数，表示学习率，表示半监督学习的小麦赤霉病孢子检测的总损失；有标记孢子样本数据通过学生模型得到预测值，并与真实值计算回归损失、分类损失和置信度损失，无标记孢子样本数据利用教师模型得到伪标签，并作为学生模型对无标记孢子样本数据预测值的监督信息，以此计算无监督损失；学生模型参数的训练更新以指数移动平均机制反馈给教师模型，对教师模型的参数进行训练更新：；其中，表示教师模型的参数，表示指数衰减参数。3.根据权利要求2所述的一种基于半监督学习的小麦赤霉病孢子检测方法，其特征在于，所述S1具体包括：S11、采用Burn
‑
In策略的联合训练方式直接加入小麦赤霉病孢子样本数据；S12、在Burn
‑
In策略对有标记孢子样本数据进行预训练，并复制成一个教师模型和一个学生模型，获得具有伪标签生成能力的教师模型；S13、将小麦赤霉病孢子样本数据中按照比例随机抽取有标记孢子样本数据和无标记孢子样本数据形成一个训练批次作为输入；S14、有标记孢子样本数据和无标记孢子样本数据通过强数据增强后输入学生模型，无标记孢子样本数据再次通过弱数据增强送入教师模型；S15、在有标记孢子样本数据上，学生模型进行由真实值矩形包围框的有监督训练，得到有监督损失：；
其中，表示有监督分类损失，用于衡量模型对有标记孢子样本数据预测的类别与真实类别之间的差异，表示有监督回归损失，用于衡量模型对有标记孢子样本数据预测的边界框位置与真实边界框位置之间的差异，表示有监督置信度损失，用于计算模型对有标记孢子样本数据预测的置信度得分和真实置信度之间的差异；S16、在无标记孢子样本数据上，教师模型进行无监督训练，教师模型对无标记孢子样本数据进行预测生成伪标签，经过综合置信度过滤得到的伪标签用来指导学生模型的训练，得到无监督损失：；其中，表示无监督分类损失，表示无监督回归损失，表示无监督置信度损失；S17、计算总损失，总损失为有监督损失和无监督损失的加权和：；其中，表示无监督损失权重；S18、教师模型根据学生模型的指数移动平均机制进行训练更新。4.根据权利要求3所述的一种基于半监督学习的小麦赤霉病孢子检测方法，其特征在于，所述弱数据增强包括对无标记孢子...
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。