【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 ...
【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:
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。