【技术实现步骤摘要】
本专利技术属于图像识别，特别是涉及一种基于多模型知识迁移的作物病害识别的方法。
技术介绍
1、作物虫害一直是农业生产中的重要问题，粮食作物病害尤为严重，灾难性的作物病害更是加剧了粮食供应的短缺，很大程度影响我国现代农业发展、农民增产增收。所以对作物进行病害识别显得尤为重要。据相关学者统计，在发展中国家大概只有21％的农民能够依赖自身知识积累识别出作物的病害，作物病害识别是农业领域面临的主要挑战之一。
2、随着信息技术的发展，研究人员开始将机器学习、深度学习和集成学习技术应用于作物病害识别。机器学习和深度学习可以帮助农民实现作物病害的自动准确识别。
3、传统的基于机器学习的识别方法都需要手动或使用其他选择算法来选择图像特征，特征选择的质量对识别的性能有很大的影响。这导致传统的机器学习方法有一定的使用门槛，并且可能具有不稳定的性能。
4、深度学习以其自动特征提取、高精度、易用等优点，成为近年来作物病害识别研究领域的主流技术。国内外现有的作物病害识别技术，大多是基于卷积神经网络的改进，例如：在卷积神经网络架构中增加注意力机制、改进模型的卷积核维度与深度和引入迁移学习加速模型的训练等等方法。在深度学习作物病害识别模型的方法中，深度学习作物病害识别模型可以实现自动特征选择和提取，但有太多种类的作物和疾病，每一种都可能有不同的有效特征。这给识别模型的泛化性能带来了很大的挑战，很难建立一个对各种作物和病害都能达到最优识别性能的统一模型。在将深度学习模型应用于一种新的作物或疾病时，研究人员总是需要尝试优化模型
5、在集成学习作物病害识别模型的方法中，集成学习作物病害识别模型的方法大多是应用投票策略和平均权重策略来识别图像。其中，投票策略是每个基模型将为图像投票到一个类别，然后，图像将被认为是获得最多选票的类别，投票是最简单有效的集成学习策略，它认为所有的模型都是同等重要的。如果每个基模型投票给不同的类别，那么很难判断图像应该属于哪个类别，那么投票策略将无效。而平均权重策略是提取每个基模型的softmax层输出，将每类病害的概率数值进行平均化，得到每类病害的概率数值，图像将被认为是概率数值最高的病害类别，平均权重策略的每个基模型对集成模型的贡献都是一样的，没有给基模型一定的区分度。如何在没有先验知识的情况下，合理地给基模型分配权重，仍然是集成学习中迫切需要解决的一个问题。
6、综上，由于作物病害图像数据的获取较为困难，病斑分布的不均衡性且多样性，对不同病斑的细粒度特征提取需要有所不同。因此，亟需一种能够针对不同病斑的细粒度特征进行不同提取的方法，从而获得更准确和稳定的作物病害识别性能。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于多模型知识集成的作物病害识别方法，以实现现有技术中无法针对不同病斑的细粒度特征提取有所不同，只能提取单一作物病害特征的问题，同时能够提高识别精度。
2、为解决上述技术问题，本专利技术所采用的技术方案是，一种基于多模型知识集成的作物病害识别方法，包括以下步骤：
3、s1：收集4种常见作物病害图像数据；
4、s2：对收集的作物病害图像进行预处理并划分训练集和测试集，同时构建并训练三个作物病害识别的基模型；
5、s3：将基模型根据特征提取性能分配权重；
6、s4：在测试集上进行图像识别，并对识别结果进行集成，得到最终的识别结果。
7、进一步的，所述s1包括：
8、s1.1：收集苹果、玉米、葡萄和水稻四种病害图像，构建了一个包括4种作物的数据集，每种作物都有4个图像类别；
9、其中苹果图像类别有苹果黑星病叶片、黑腐病叶片、雪松锈病叶片和健康苹果叶片；玉米图像类别有灰斑病叶片、锈病叶片、大斑病叶片和玉米健康叶片；葡萄图像类别有黑腐病叶片、轮斑病叶片、褐斑病叶片和葡萄健康叶片；水稻图像类别有细菌性基腐病叶片、稻瘟病叶片、褐斑病叶片和水稻东格鲁病毒病叶片；
10、s1.2：将收集的4种作物按常见病害分类。
11、进一步的，所述s2包括：
12、s2.1：将分类过的图像统一分辨率；
13、s2.2：采用数据增强方法，对作物病害图像进行随机翻转、平移、缩放比例、调整病害图片亮度，保证每类病害的数据图像样本数量相同；
14、s2.3：将数据集按照数量比例分为训练集和测试集；
15、s2.4：选用vgg11模型、resnet18模型、mobilenet_v3模型作为三个基模型；
16、其中，vgg11模型通过8个可以重复使用的卷积核来构造网络；
17、s2.5：搭建三个基模型，并在训练集上训练三个基模型；随着训练次数的增加，分别保存三个基模型的最优权重。
18、进一步的，所述s3包括：
19、s3.1：训练集中有t个图像，它们被划分为k个类别；
20、将训练集输入到s2.5中搭建的三个基模型中，可以获得与图像相对应的t个特征向量，将t个特征向量分布在二维空间中，每个类别都有一个类别质心；
21、对于特定类别p，类别p中总共有m个向量，则类别p的质心cenp可以通过以下公式计算：
22、
23、其中，指p类别中第i个向量，i指p类别中向量的序号；
24、s3.2：使用训练集特征向量的类内距离、类间距离来衡量模型的特征提取性能，用icd表示特征向量的类内距离，icd的计算公式如下：
25、
26、其中，k表示训练集中的类别总数，p表示p类别，m表示p类别中共有m个向量，t表示训练集中的图像个数，函数表示cenp,这两个向量之间的欧几里得距离；
27、用bcd来表示特征向量的类间距离，bcd的计算公式如下：
28、
29、其中，p表示p类别，k表示训练集中的类别总数，q表示除p以外的类别，fed(cenp,cenq)表示cenp,cenq这两个向量之间的欧几里得距离，是组合数公式；
30、s3.3：使用fepg来表示模型的特征提取性能，fepg的计算公式如下：
31、fepg＝bcdg/icdg
32、其中，fepg指模型的特征提取性能，bcdg指模型的类间距离，icdg指模型的类内距离；
33、权重的计算公式如下：
34、
35、其中，w表示模型的权重，n表示集成学习时的模型总数，i指第i个模型，fepi指第i个模型的特征提取性能。
36、进一步的，所述s4包括：
37、将训练集输入到s2.5已训练好的模型中，从每个模型中获得softmax函数输出，将softmax函数映射到二维空间中，计算模型的特征提取性能和权重，通过集成得到最终的softmax函数输出sffinal，sffinal计本文档来自技高网...
【技术保护点】
1.一种基于多模型知识集成的作物病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模型知识集成的作物病害识别方法，其特征在于，所述S1包括：
3.根据权利要求2所述的一种基于多模型知识集成的作物病害识别方法，其特征在于，所述步骤S2包括：
4.根据权利要求3所述的一种基于多模型知识集成的作物病害识别方法，其特征在于，所述步骤S3包括：
5.根据权利要求3或4所述的一种基于多模型知识集成的作物病害识别方法，其特征在于，所述步骤S4包括：
【技术特征摘要】
1.一种基于多模型知识集成的作物病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模型知识集成的作物病害识别方法，其特征在于，所述s1包括：
3.根据权利要求2所述的一种基于多模型知识集成的作物病害识别方法...
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。