System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及害虫识别,尤其涉及一种无标签自监督学习的害虫识别方法、装置、设备及介质。
技术介绍
1、农业虫害严重影响农业生产和作物贮藏。预防农业虫害,需要正确识别害虫的种类,并采取有针对性的防治措施。现有技术中,常用的识别分类方法主要采用深度卷积神经网络,主要依赖于人工标注样本库进行害虫种类的识别。
2、然而,专利技术人发现相关技术中至少存在如下技术问题:
3、基于大数据集的识别分类方法是深度卷积神经网络(cnn),然而该类方法存在依赖标注信息的问题;主要依赖人工标注样本库进行害虫种类的识别,这不仅消耗大量的人力物力,而且难以及时捕捉到新出现的害虫种类。
技术实现思路
1、本申请的一个目的是提供一种无标签自监督学习的害虫识别方法、装置、设备及可读介质,至少用以解决难以及时捕捉到新物种害虫种类以及人工标注样本消耗人力物力的问题,本申请的目的在于:提供了一种基于无标签自监督学习的害虫识别方法。该方法采用了初始化聚类中心以及引入权重系数对害虫分类识别模型进行优化调整,从而提高分类和聚类的准确性。本方案中,通过智能虫情检测灯来收集大量未标记的害虫图像数据,降低害虫图像数据采集的额外成本支出;采用无监督的聚类算法对初始化聚类中心进行迭代更新,通过引入正负样本的权重系数对害虫识别分类模型进行优化调整,以提高模型的收敛性,以对未标记害虫图像数据进行分类识别,从而提高分类和聚类的准确性;将原型的概念整合到对比学习框架中,从而允许目标害虫识别分类模型更好地理解和捕捉未标记害虫图
2、为实现上述目的,本申请的一些实施例提供了以下几个方面:
3、第一方面,本申请的一些实施例还提供了一种无标签自监督学习的害虫识别方法,所述方法包括:
4、获取害虫图像数据,并将所述害虫图像数据进行图像增强处理得到目标害虫图像数据;所述目标害虫图像数据包括已标记害虫图像数据以及未标记害虫图像数据;
5、采用已标记害虫图像数据初始化聚类中心,并采用未标记害虫图像数据对所述初始化聚类中心进行迭代更新确定更新后的初始化聚类中心;
6、确定更新后的初始化聚类中心的目标损失函数,并依据所述目标损失函数确定害虫识别分类模型;
7、对所述害虫识别分类模型进行优化调整得到目标害虫识别分类模型,并采用所述目标害虫识别分类模型进行害虫种类的识别。
8、第二方面,本申请的一些实施例还提供了一种无标签自监督学习的害虫识别装置,所述装置包括:
9、图像数据获取模块,用于获取害虫图像数据,并将所述害虫图像数据进行图像增强处理得到目标害虫图像数据;所述目标害虫图像数据包括已标记害虫图像数据以及未标记害虫图像数据;
10、聚类中心更新模块,用于采用已标记害虫图像数据初始化聚类中心,并采用未标记害虫图像数据对所述初始化聚类中心进行迭代更新确定更新后的初始化聚类中心;
11、识别分类模型确定模块,用于确定更新后的初始化聚类中心的目标损失函数,并依据所述目标损失函数确定害虫识别分类模型;
12、害虫识别分类模块,用于对所述害虫识别分类模型进行优化调整得到目标害虫识别分类模型,并采用所述目标害虫识别分类模型进行害虫种类的识别。
13、第三方面,本申请的一些实施例还提供了一种计算机设备,所述设备包括:
14、一个或多个处理器;以及
15、存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如上所述的无标签自监督学习的害虫识别方法。
16、第四方面,本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如上所述的无标签自监督学习的害虫识别方法。
17、相较于现有技术,本申请实施例提供的方案中,通过获取害虫图像数据,并将所述害虫图像数据进行图像增强处理得到目标害虫图像数据;所述目标害虫图像数据包括已标记害虫图像数据以及未标记害虫图像数据;采用已标记害虫图像数据初始化聚类中心,并采用未标记害虫图像数据对所述初始化聚类中心进行迭代更新确定更新后的初始化聚类中心;确定更新后的初始化聚类中心的目标损失函数,并依据所述目标损失函数确定害虫识别分类模型;对所述害虫识别分类模型进行优化调整得到目标害虫识别分类模型,并采用所述目标害虫识别分类模型进行害虫种类的识别。采用本专利技术实施例的技术方案,通过智能虫情检测灯来收集大量未标记的害虫图像数据,降低害虫图像数据采集的额外成本支出;采用无监督的聚类算法对初始化聚类中心进行迭代更新,通过引入正负样本的权重系数对害虫识别分类模型进行优化调整,以提高模型的收敛性,以对未标记害虫图像数据进行分类识别,从而提高分类和聚类的准确性。
本文档来自技高网...【技术保护点】
1.一种无标签自监督学习的害虫识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取害虫图像数据,并将所述害虫图像数据进行图像增强处理得到目标害虫图像数据,包括:
3.根据权利要求1所述的方法,其特征在于,采用已标记害虫图像数据初始化聚类中心,并采用未标记害虫图像数据对所述初始化聚类中心进行迭代更新确定更新后的初始化聚类中心,包括:
4.根据权利要求1所述的方法,其特征在于,确定更新后的初始化聚类中心的目标损失函数,并依据所述目标损失函数确定害虫识别分类模型,包括:
5.根据权利要求4所述的方法,其特征在于,对所述害虫识别分类模型进行优化调整得到目标害虫识别分类模型,并采用所述目标害虫识别分类模型进行害虫种类的识别,包括:
6.根据权利要求5所述的方法,其特征在于,依据样本权重系数对修改后的目标损失函数进行优化调整,确定更新后的目标损失函数,包括:
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
8.一种无标签自监督学习的害虫识别装置,其特征在于,所述
9.一种计算机设备,其特征在于,所述设备包括:
10.一种计算机可读介质,其特征在于,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1-7中任意一项所述的无标签自监督学习的害虫识别方法。
...【技术特征摘要】
1.一种无标签自监督学习的害虫识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取害虫图像数据,并将所述害虫图像数据进行图像增强处理得到目标害虫图像数据,包括:
3.根据权利要求1所述的方法,其特征在于,采用已标记害虫图像数据初始化聚类中心,并采用未标记害虫图像数据对所述初始化聚类中心进行迭代更新确定更新后的初始化聚类中心,包括:
4.根据权利要求1所述的方法,其特征在于,确定更新后的初始化聚类中心的目标损失函数,并依据所述目标损失函数确定害虫识别分类模型,包括:
5.根据权利要求4所述的方法,其特征在于,对所述害虫识别分类模型进行...
【专利技术属性】
技术研发人员:陆翔,张哲,姜祏,田朝杰,
申请(专利权)人:左岸芯慧上海数据技术股份有限公司,
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。