农作物识别方法、模型训练方法、设备和介质技术

本发明专利技术公开了农作物识别方法、模型训练方法、设备和介质，在模型设计上除了设计C个可预测分支和对应的C个农作物预测单元外，还额外增设A个扩充预测分支和对应的A个农作物预测单元用于后续扩充训练，使得模型能自适应性新物种的特征信息。且在每次迭代训练时，随机改变输入基础特征提取网络的实际类别c的数量，并配合自适应类别长度的门控式网络和农作物预测网络进行预测及调参，这样便能够让农作物识别模型在训练阶段就适应对新增物种进行识别的情况，降低因扩增模型识别种类需要重新训练对原有农作物识别准确度的影响。在实际进行识别时，将农作物待测图像输入收敛的模型中，就能得到预测结果或判定农作物为新品种的结果。

【技术实现步骤摘要】

本专利技术涉及图像识别，尤其是涉及一种农作物识别方法、模型训练方法、设备和介质。

技术介绍

1、农作物分类识别是一种基于图像处理和模式识别技术的方法，旨在准确地识别和分类不同类型的农作物。机器学习技术在农作物分类识别中发挥着重要作用。常见的机器学习算法包括支持向量机(svm)、人工神经网络(ann)和随机森林(random forest)等。这些算法可以根据输入的特征向量对图像进行分类，并输出相应的农作物类别。

2、但现有的模型都是基于局限的样本进行训练，而在训练完成后又只能对这些局限的样本所对应的类别进行识别分类。但由于农作物的类别是不断增多的，如何在同一个模型中，保证可识别的农作物准确度基本不变的前提下，具备识别新的农作物的能力就显得尤为重要。

技术实现思路

1、基于此，有必要提供设备的农作物识别方法、模型训练方法、设备和介质，以解决现有模型不具备自适应扩充识别的问题。

2、一种农作物识别模型的训练方法，所述农作物识别模型包括依次连接的基础特征提取网络、设置n个分支的门控式网络和设本文档来自技高网...

【技术保护点】

1.一种农作物识别模型的训练方法，其特征在于，所述农作物识别模型包括依次连接的基础特征提取网络、设置N个分支的门控式网络和设置N个农作物预测单元的农作物预测网络，所述基础特征提取网络与所述N个分支分别连接，一个分支与一个农作物预测单元连接,N为农作物的扩充识别总数；

2.根据权利要求1所述的方法，其特征在于，所述基础特征提取网络包括依次连接的I个基础特征提取单元和全连接层，所述随机将c类实际类别的农作物训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的c类实际类别的基础特征向量，包括：

3.根据权利要求1所述的方法，其特征在于，一个分支包含一个连...

【技术特征摘要】

1.一种农作物识别模型的训练方法，其特征在于，所述农作物识别模型包括依次连接的基础特征提取网络、设置n个分支的门控式网络和设置n个农作物预测单元的农作物预测网络，所述基础特征提取网络与所述n个分支分别连接，一个分支与一个农作物预测单元连接,n为农作物的扩充识别总数；

2.根据权利要求1所述的方法，其特征在于，所述基础特征提取网络包括依次连接的i个基础特征提取单元和全连接层，所述随机将c类实际类别的农作物训练图像分别输入所述基础特征提取网络，获取所述基础特征提取网络输出的c类实际类别的基础特征向量，包括：

3.根据权利要求1所述的方法，其特征在于，一个分支包含一个连接的全连接层和带有分支序号的门控式开关，不同分支的分支序号不同，当前预测分支的分支序号在1-c之间，所述将c类实际类别的基础特征向量输入所述门控式网络，获取所述门控式网络在目标分支输出的分支输出向量，包括：

4.根据权利要求1所述的方法，其特征在于，所述农作物预测单元包括依次连接的输入层、多层隐藏层和输出层，所...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：