【技术实现步骤摘要】
本专利技术涉及机器视觉技术、无监督领域自适应及植物病害检测领域，尤其涉及一种基于非对抗性无监督域适应的植物病害检测方法及系统。
技术介绍
1、植物病害是影响植物生长的最复杂多变且难以克服的因素之一，是一种全球农业生产和生态安全的生物灾害。植物病害防治的关键是能够及时准确地检测病害危害区域，并对其病害类型进行辨识。深度学习作为新人工智能崛起的代表，不断取得重大进展，很好地解决了人工智能界很多年来一直努力但仍没有得到重要进展的问题。近年来，深度学习技术逐渐被引入到植物病害检测与识别，在该领域获得了较快的发展，并涌现出大量的研究成果，已成为本领域研究热点。领域自适应作为深度学习的一个细分领域，可以较好的解决田间自然条件下拍摄的图像质量低和无标签等问题。
2、近年来，基于领域自适应对植物病害检测的研究为：ghazi 2017年在《neurocomputing》第235卷上发表的“plant identification using deep neuralnetworks via optimization of transfer learning parameters”，使用了三种流行的cnn架构：alexnet、vggnet和googlenet，并评估了影响这些网络在植物病害识别任务上性能的众多因素，同时使用迁移学习来微调预训练的模型。barbedo 2018年在《computersand electronics in agriculture》第153卷上发表的“impact of dataset size andvarie
技术实现思路
1、为了解决上述问题，本专利技术提出一种非对抗性无监督域适应的植物病害检测方法及系统，
2、通过不使用对抗性训练和反向传播来有效训练网络，收敛速度较快；构建混合神经网络结构提高了采集的植物病害图像的准确度，引入的辅助不确定性正则化，提高源域向目标域迁移的可靠性，具有良好的泛化能力。
3、为了实现上述目的，本专利技术通过如下的技术方案来实现：
4、一种非对抗性无监督域适应的植物病害检测方法，所述方法包括：
5、分别采集实验室环境和田间自然条件下的植物病害图像，并进行植物病害图像标记；
6、使用残差神经网络，对采集的所述植物病害图像进行特征提取，并转换为特征图像；
7、构建混合神经网络结构，对所述特征图像学习多表征信息向量，并拼接后计算得出分类损失函数；
8、将子域适应方法嵌入到所述混合神经网络结构中度量域间差距；
9、根据所述分类损失函数并引入辅助不确定性正则化得出迁移数据；
10、采样相同数量的所述植物病害图像，根据所述迁移数据训练得出最优总损失函数作为本专利技术的一种优选方案，所述植物病害图像包括：
11、实验室环境下为有标签图像数据，并标记为源域；
12、田间自然条件下为无标签图像数据，并标记为目标域；
13、获取的源域及目标域图像数据，通过调整、随机剪裁、随机翻转的方式进行数据增强。
14、作为本专利技术的一种优选方案，所述特征图像基于残差神经网络采用深度残差网络
15、resnet进行特征提取，将原始图像转换为易于表达和概括的特征图像。
16、作为本专利技术的一种优选方案，所述混合神经网络结构由1x1卷积、3x3卷积、5x5卷积和平均池化组合而成；所述混合神经网络结构的每一个子结构负责提取不同的适合域迁移的特征信息；所述分类损失函数采用交叉熵将分类器的学习率设置为其它层的10倍。
17、作为本专利技术的一种优选方案，所述子域适应方法嵌入混合神经网络结构的每个子结构中提取的表征向量，计算源域与目标域之间的差距，计算公式如下：
18、
19、式中，p为源域获取的数据分布；q为目标域获取的数据分布；为源域与目标域之间的差异；c为子域数目；ns为源域数据数目；nt为目标域数据数目；wsc为源域中某子域的权重；wtc为目标域中某子域的权重；k为向量；ms为源域表征向量；mt为目标域表征向量。
20、作为本专利技术的一种优选方案，所述分类损失函数及辅助不确定性正则化计算公式如下：
21、
22、
23、式中，ns为源域数据数目，为源域训练样本，为源域训练样本的标注，f为特征提取函数,j为单个样本损失函数，lcls为分类损失函数，in为自然指数函数,为数学期望，len为熵计算公式。
24、作为本专利技术的一种优选方案，所述总损失函数，遵循标准的小批量随机梯度下降算法sgd，其中动量设置为0.9，共训练200期，计算公式如下：
25、
26、式中，h为特征迁移函数(模块)，g为cnn特征提取函数(模块)，j为单个样本损失函数，min为找最小值函数，d为两种分布距离的度量函数，nr为混合子结构数量；λ和γ为权衡因子。
27、一种非对抗性无监督域适应的植物病害检测系统，所述系统包括：
28、数据采集模块，用于采集实验室环境和田间自然条件下的植物病害图像；
29、数据标记模块，用于对采集的图像数据进行植物病害图像标记；
30、图像转换模块，用于对采集的植物病害图像特征提取并转换为特征图像；
31、模型构建模块，用于构建混合神经网络结构，学习多表征信息向量，并拼接后计算得出分类损失函数；
32、数据度量模块，用于将子域适应方法嵌入到所述混合神经网络结构中度量域间差距；
33、数据训练模块，用于采样相同数量的所述植物病害图像数据，根据所述迁移数据训练得出最优总损失函数。一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个所述程序被处理器执行时实现如上所述的一种基于半监督学习的流量识别方法。
34、一种计算机可读存储介质，其上存储有计算机程序，本文档来自技高网...
【技术保护点】
1.一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，所述植物病害图像包括：
3.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
4.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
5.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
6.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
7.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
8.基于权利要求1-7任一项所述的一种基于非对抗性无监督域适应的植物病害检测系统，其特征在于，所述系统包括：
9.一种非对抗性无监督域适应的植物病害检测设备，其特征在于，所述设备包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行
...【技术特征摘要】
1.一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，所述植物病害图像包括：
3.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
4.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
5.根据权利要求1所述的一种基于非对抗性无监督域适应的植物病害检测方法，其特征在于，
6.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：范习健，吴昕璐，业巧林，杨绪兵，胡春华，
申请(专利权)人：南京林业大学，
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。