一种基于学习解耦的两阶段训练病害识别方法和系统技术方案

一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤

【技术实现步骤摘要】
一种基于学习解耦的两阶段训练病害识别方法和系统


[0001]本专利技术涉及图像识别技术
、
农业育种领域，尤其涉及一种基于学习解耦的两阶段训练病害识别方法和系统
。

技术介绍

[0002]病害防治一直是农业发展中一个重要的课题
。
在智能育种过程中，分析种质资源的抗病性一直是当前的热门课题
。
而对农作物叶部病害的诊断和识别则是其重要基础
。
但在实际应用中，往往是通过人工识别诊断费时费力，且识别精度不能满足要求并带有一定的主观性
。
针对人工诊断所存在的问题，研究人员提出了一些基于机器学习的植物病害识别方法
。
主要是通过人工设计分类特征，如颜色特征
、
形状特征
、
纹理特征或者两种或两种以上人工特征的融合
。
然而，这些人工设计的特性是基于人类经验选择的，这限制了模型的通用性，且识别精度仍然不高
。
近年来，深度卷积神经网络
(Deep Convolutional Neural Network
，简称
DCNN)
在植物病害识别领域得到了广泛的应用，农作物叶片病害识别的精度得到了大幅提高，而且却缺乏对病害程度识别等功能，难以为病害预警等做一系列的技术支撑
。
即使少数科研人员提出了专门针对病害等级的分类算法，但也只是将病害分类和病害等级简单的算法拼接，不但消耗的计算资源较大，且由于学习竞争问题导致精度下降
。
[0003]基于此，需要提供一种准确度高，成本较低且可以同时进行农作物病害种类识别和病害程度分类的方法
。

技术实现思路

[0004]本专利技术要克服现有技术存在上述缺点，提供一种基于学习解耦的两阶段训练病害识别方法和系统
。
[0005]在病害种类识别与病害严重等级细粒度分类任务上，两者存在着明显的学习竞争问题
。
即，病害种类识别涉及到不同病害的类间距离的学习，而区分病害等级更多的是针对类内距离的学习，而且当一个叶片的病害等级较低时其与健康叶片相似度相对较高，从而导致识别病害种类时难度增大
。
基于上述问题，本专利技术提出了一种基于学习解耦的两阶段训练病害识别方法，通过将学习类间距离和学习类内距离的种类识别和等级分类任务进行解耦，然后采用加入健康样本监督机制进行两阶段训练，最终实现单模型完成病害种类识别和等级分类两个任务，其具体技术方案如下：
[0006]一种基于学习解耦的两阶段训练病害识别方法，包括以下步骤：
[0007]步骤
S1
：采集待识别作物的图像样本，制作训练数据集；
[0008]步骤
S2
：构造基于学习解耦的分类算法网络模型；
[0009]步骤
S3
：对基于学习解耦的分类算法网络模型进行一阶段训练；
[0010]步骤
S4
：固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；
[0011]步骤
S5
：基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级
。
[0012]进一步的，所述步骤
S1
具体为：利用无人机载具搭载可见光相机或者利用手机，在种植区拍照获取目标农作物的
RGB
可见光图像；整理图像数据，挑选其中具有代表性的若干张健康叶片图像作为健康二阶段数据集，并对剩余图像进行病害种类的归类标注以及病害严重等级的标注
。
[0013]进一步的，所述步骤
S2
中，构造的基于学习解耦的分类算法网络模型包括特征提取骨干网络
、
解耦自相关模块
、
类别预测模块
、
二阶段监督模块
。
所述的特征提取骨干网络由
Resnet50
网络构成，用于提取目标作物叶片的外观特征；所述的解耦自相关模块由两个相互独立的自相关模块构成，分别用于病害种类和病害等级特征提取；所述的类别预测模块主要由全连接层构成，用于预测目标的病害种类和病害等级；所述二阶段监督模块主要由相似度计算层和特征求和以及
Concate
层构成，用于监督病害等级的细分类问题
。
[0014]进一步的，所述步骤
S2
中的基于学习解耦的分类算法模型分别预测两类任务，即病害种类预测和病害严重等级预测，病害严重等级预测以范围为
0~1
的预测值表达，叶片病害越严重则该预测值越趋近于
1。
因此基于学习解耦的分类算法模型损失函数采用两种分类任务的
L1
函数的求和平均，即
:
[0015][0016]其中，表示病害种类损失函数，表示病害等级损失函数，
m
表示病害种类数，
k
为大于1的正整数，表示病害总的等级数，表示第
i
类病害真实标签，表示模型对第
i
类病害的预测置信度，表示第
i
类病害等级的真实标签，表示模型对第
i
类病害等级的预测置信度
。
[0017]进一步的，所述的自相关模块包括平均池化
、
通道注意力模块
、
矩阵重塑
Reshape、
矩阵转置
Transpose、
归一化指数函数
Softmax、
矩阵拼接
Concate
，利用特征自相关机制获取不同分类任务下的特征权重，并最终获取不同任务下的加权后的特征
。
图像送入特征提取骨干网络，由特征提取骨干网络提取外观及纹理特征
F
，然后经过自相关模块得到自相关权重
w
，最终基于自相关权重
w
加权得到两个分类特征，即病害类别特征和病害等级特征
。
最后将病害类别特征和等级类别特征分别送入类别预测模块进行预测
。
[0018]进一步的，所述步骤
S3
中，对基于学习解耦的分类算法模型进行一阶段训练，即将所述的基于学习解耦的分类算法网络的二阶段监督模块去除，仅对由特征提取骨干网络
、
解耦自相关模块
、
类别预测模块组成的算法网络进行训练
。
首先在公开农业数据集上进行训练，而后在步骤
S1
中整理的数据集上训练
。
[0019]进一步的，所述步骤
S4
中，固定特征提取骨干网络
、
解耦自相关模块中的病害分类分支
、
类别预测模块中的病害分类分支的权重，对原网络加入二阶段监督模块进行二阶段训练；特征提取骨干网络的输入由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于学习解耦的两阶段训练病害识别方法，其特征在于，包括以下步骤：步骤
S1
：采集待识别作物的图像样本，制作训练数据集；步骤
S2
：构造基于学习解耦的分类算法网络模型；步骤
S3
：对基于学习解耦的分类算法网络模型进行一阶段训练；步骤
S4
：固定部分权重，对基于学习解耦的分类算法网络模型进行二阶段训练；步骤
S5
：基于训练得到的基于学习解耦的分类算法网络模型进行推理，最终得到待分类目标叶片的病害种类和病害等级
。2.
如权利要求1所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述步骤
S1
具体包括：利用无人机载具搭载可见光相机或者利用手机，在种植区拍照获取目标农作物的
RGB
可见光图像；整理图像数据，挑选其中具有代表性的若干张健康叶片图像作为健康二阶段数据集，并对剩余图像进行病害种类的归类标注以及病害严重等级的标注
。3.
如权利要求2所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，步骤
S2
所述的基于学习解耦的分类算法网络模型包括：特征提取骨干网络
、
解耦自相关模块
、
类别预测模块
、
二阶段监督模块；所述的特征提取骨干网络由
Resnet50
网络构成，用于提取目标作物叶片的外观特征；所述的解耦自相关模块由两个相互独立的自相关模块构成，用于病害种类和病害等级特征提取；所述的类别预测模块由全连接层构成，用于预测目标的病害种类和病害等级；所述的二阶段监督模块由相似度计算层和特征求和以及
Concate
层构成，用于监督病害等级的细分类问题
。4.
如权利要求3所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，步骤
S2
所述的基于学习解耦的分类算法网络模型分别预测两类任务，即病害种类预测和病害严重等级预测，病害严重等级预测以范围为
0~1
的预测值表达，叶片病害越严重则该预测值越趋近于1；基于学习解耦的分类算法模型的损失函数采用两类分类任务的
L1
函数的求和平均，即
:
其中，表示病害种类损失函数，表示病害等级损失函数，
m
表示病害种类数，
k
为大于1的正整数，表示病害总的等级数，表示第
i
类病害真实标签，表示模型对第
i
类病害的预测置信度，表示第
i
类病害等级的真实标签，表示模型对第
i
类病害等级的预测置信度
。5.
如权利要求4所述的一种基于学习解耦的两阶段训练病害识别方法，其特征在于，所述的自相关模块包括平均池化
、
通道注意力模块
、
矩阵重塑
Reshape、
矩阵转置
Transpose、
归一化指数函数
Softmax、
矩阵拼接
Concate
，利用特征自相关机制获取不同分类任务下的特征权重，并最终获取不同任务下的加权后的特征；输入图像送入特征提取骨干网络，由特征提取骨干网络提取外观及纹理特征
F
，然后经过自相关模块得到自相关权重
w
，最终基于自相关权重
...

【专利技术属性】
技术研发人员：张文广，徐晓刚，韩强，何鹏飞，王军，杨素欣，曹卫强，李萧缘，马寅星，岳振雷，
申请(专利权)人：中国科学院东北地理与农业生态研究所，
类型：发明
国别省市：