基于子域自适应的农作物叶部病害识别方法技术

本发明专利技术公开了一种基于子域自适应的农作物叶部病害识别方法，包括：

【技术实现步骤摘要】
基于子域自适应的农作物叶部病害识别方法


[0001]本专利技术涉及深度学习识别领域，具体涉及一种基于子域自适应的农作物叶部病害识别方法
。

技术介绍

[0002]农作物叶部病害对作物品质和生产效率的影响极为重要，病害的发生不仅导致农作物叶部凋萎
、
根系受损
、
果实变形等，而且影响农作物的正常生长和发育，最终影响产量和质量，还会对食品安全带来潜在威胁
。
当农作物生长环境发生变化时，如温度
、
湿度
、
土壤等因素的改变，农作物容易受到多种病原体
(
如霉菌
、
细菌
、
病毒
)
的感染，从而导致不同种类或程度的病害，给农作物的正常生长发育带来极大的威胁
。
因此进行快速
、
准确的病害诊断是进行病害防控的重要依据，对提升农作物品质和增产具有关键意义
。
[0003]在农业生产实践中，对农作物叶部病害的识别，往往依赖于专家和科研人员的专门技术和实践经验
。
这种方法不仅存在效率较低，耗时费力以及容易误判等缺点，而且对农业生产中的病害防控产生了很大的不利影响
。
随着图像处理
、
计算机视觉以及模式识别等技术的不断进步，农业领域对于农作物叶部病害图像识别的需求日益增加，推动了相关方法在农业领域的广泛应用，这些方法主要包括依赖机器学习的
K
‑
近邻算法
(K
‑
Nearest Neighbor
，
KNN)、
支持向量机算法
(Support Vector Machine
，
SVM)、
决策树算法
(Decision Tree
，
DT)
和朴素贝叶斯分类算法
(Naive Bayes Classifier
，
NBC)
等
。
然而，这些算法的病害识别率受图像中不同类型的人为因素影响比较严重，难以有效自动提取多个特征，导致识别的准确率相对较差
。
因此，需要一种基于子域自适应的农作物叶部病害识别方法，能够解决以上问题
。

技术实现思路

[0004]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供基于子域自适应的农作物叶部病害识别方法，能够实现快速分类且提高了病害识别的准确率
。
[0005]本专利技术的基于子域自适应的农作物叶部病害识别方法，包括如下步骤：
[0006]S1.
构建基于子域自适应的病害识别网络模型；所述病害识别网络模型包括特征提取网络；
[0007]S2.
采集目标农作物的若干图像，将若干图像进行划分，形成源域与目标域；
[0008]S3.
使用特征提取网络对源域与目标域中的图像进行特征提取，得到特征均值距离；
[0009]S4.
利用特征均值距离，构建特征提取网络中多网络层组合域自适应贡献度；
[0010]S5.
基于多网络层组合域自适应贡献度，计算得到最优的网络模型权重以及偏差，并将最优的网络模型权重以及偏差作为病害识别网络模型的权重与偏差，形成优化后的病害识别网络模型；
[0011]S6.
将待测农作物的图像信息输入到优化后的病害识别网络模型，输出待测农作
物的叶部病害识别结果
。
[0012]进一步，所述特征均值距离包括基于域自适应的特征均值距离以及基于子域自适应的特征均值距离其中，为特征提取网络第
l
层的源域特征集；为特征提取网络第
l
层的目标域特征集
。
[0013]进一步，根据如下公式确定特征均值距离
[0014][0015]其中，
n
s
表示源域中有标签样本的数量；
n
t
表示目标域中无标签样本的数量；表示特征提取网络第
l
层源域中第
i
个特征；表示特征提取网络第
l
层源域中第
j
个特征；表示特征提取网络第
l
层目标域中第
i
个特征；表示特征提取网络第
l
层目标域中第
j
个特征；
k
l
(
·
,
·
)
表示第
l
层中选择的具有核宽度
γ
l
的高斯核；
[0016][0017]进一步，根据如下公式确定特征均值距离
[0018][0019]其中，
C
表示图像特征种类数；
c
表示种类编号；表示源域中属于
c
类的图像总数；表示目标域中属于
c
类的图像总数；表示特征提取网络第
l
层源域中属于
c
类的第
i
个特征；表示特征提取网络第
l
层源域中属于
c
类的第
j
个特征；表示特征提取网络第
l
层目标域中属于
c
类的第
i
个特征；表示特征提取网络第
l
层目标域中属于
c
类的第
j
个特征；
k
l
(
·
,
·
)
表示特征提取网络第
l
层中选择的具有核宽度
γ
l
的高斯核；
[0020][0021][0021]表示源域中第
i
个特征属于
c
类的权重；表示源域中第
j
个特征属于
c
类的权重；表示目标域中第
i
个特征属于
c
类的权重；表示目标域中第
j
个特征属于
c
类的权重
。
[0022]进一步，根据如下公式确定多网络层组合域自适应贡献度
D
L
：
[0023][0024]其中，
L
为网络层的层数；
μ
l
为平衡单网络层组合域自适应贡献度的层权重；
λ
为自适应权重
。
[0025]进一步，根据如下方法确定最优的网络模型权重以及偏差：
[0026]构建权重以及偏差优化模型
f
：
[0027][0028]其中，
θ
＝
{w,b}
表示包含了神经网络的权重
w
和偏差
b
；
n
s<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于子域自适应的农作物叶部病害识别方法，其特征在于：包括如下步骤：
S1.
构建基于子域自适应的病害识别网络模型；所述病害识别网络模型包括特征提取网络；
S2.
采集目标农作物的若干图像，将若干图像进行划分，形成源域与目标域；
S3.
使用特征提取网络对源域与目标域中的图像进行特征提取，得到特征均值距离；
S4.
利用特征均值距离，构建特征提取网络中多网络层组合域自适应贡献度；
S5.
基于多网络层组合域自适应贡献度，计算得到最优的网络模型权重以及偏差，并将最优的网络模型权重以及偏差作为病害识别网络模型的权重与偏差，形成优化后的病害识别网络模型；
S6.
将待测农作物的图像信息输入到优化后的病害识别网络模型，输出待测农作物的叶部病害识别结果
。2.
根据权利要求1所述的基于子域自适应的农作物叶部病害识别方法，其特征在于：所述特征均值距离包括基于域自适应的特征均值距离以及基于子域自适应的特征均值距离其中，为特征提取网络第
l
层的源域特征集；为特征提取网络第
l
层的目标域特征集
。3.
根据权利要求2所述的基于子域自适应的农作物叶部病害识别方法，其特征在于：根据如下公式确定特征均值距离据如下公式确定特征均值距离其中，
n
s
表示源域中有标签样本的数量；
n
t
表示目标域中无标签样本的数量；表示特征提取网络第
l
层源域中第
i
个特征；表示特征提取网络第
l
层源域中第
j
个特征；表示特征提取网络第
l
层目标域中第
i
个特征；表示特征提取网络第
l
层目标域中第
j
个特征；
k
l
(
·
,
·
)
表示第
l
层中选择的具有核宽度
γ
l
的高斯核；的高斯核；
4.
根据权利要求2所述的基于子域自适应的农作物叶部病害识别方法，其特征在于：根据如下公式确定特征均值距离
其中，
C
表示图像特征种类数；
c
表示种类编号；表示源域中属于
c
类的图像总数；表示目标域中属于
c
类的图像总数；表示特征提取网络第
l
层源域中属于
c
类的第
...

【专利技术属性】
技术研发人员：吕佳，范亚洲，程超，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：