一种基于人工智能的植物病虫害诊断方法及系统与流程

1.本发明涉及植物病虫害诊断技术领域，具体涉及一种基于人工智能的植物病虫害诊断方法及系统。


背景技术：

2.植物病虫害是指植物生长期间感染的病害和虫害，植物的病害主要是真菌性病害、细菌性病害等，植物的虫害主要昆虫、螨类、蜗牛等，而植物感染病虫害会严重影响植物的正常生长和结果，也可能会导致植物死亡。
3.现有植物病虫害诊断方法一般是基于人工或者基于神经网络来诊断植物是否出现病虫害，基于人工诊断的这种方式比较繁琐且可能会出现遗漏，而基于神经网络来诊断的这种方式，需要专门的了解植物病虫害的专业人员去标注，因为考虑到标注成本和精力，最后获得的带标注的数据集规模不大，因此基于神经网络来诊断植物病虫害的这种方式的准确率较低。


技术实现要素：

4.本发明提供一种基于人工智能的植物病虫害诊断方法及系统，用于解决现有技术不能准确诊断植物病虫害的问题，所采用的技术方案具体如下：第一方面，本发明一个实施例提供了一种基于人工智能的植物病虫害诊断方法及系统包括以下步骤：获取带标签的植物样本图像集、待标注的植物样本图像集和目标植物图像；所述带标签的植物样本图像集包括带标签的不同状态类别的植物样本图像；所述不同状态类别包括不同病虫害类别和不含病虫害类别；根据带标签的各植物样本图像，得到带标签的各植物样本图像对应的颜色纹理分布图；根据所述颜色纹理分布图，得到带标签的各植物样本图像的病症风格特征；利用所述带标签的各植物样本图像训练变分自编码器，得到待标注的各植物样本图像对应的高斯模型；所述变分自编码器的损失函数由带标签的各植物样本图像的病症风格特征以及高斯模型构建；所述变分自编码器用于提取带标签的各植物样本图像的病症风格特征以及为待标注的植物样本图像分配标签；根据所述高斯模型，为待标注的各植物样本图像分配标签，得到待标注的各植物样本图像对应的标签数据；根据带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据训练目标网络，所述目标网络用于诊断植物是否感染病虫害以及感染病虫害时对应的具体病虫害类别；将目标植物图像输入到训练好的目标网络，得到所述目标植物图像对应的诊断结果。
5.本发明还提供了一种基于人工智能的植物病虫害诊断系统，包括存储器和处理
器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于人工智能的植物病虫害诊断方法。
6.本发明根据所述颜色纹理分布图，得到带标签的各植物样本图像的病症风格特征；利用带标签的各植物样本图像训练变分自编码器，得到待标注的各植物样本图像对应的高斯模型；根据高斯模型，为待标注的各植物样本图像分配标签，得到待标注的各植物样本图像对应的标签数据；根据带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据训练目标网络；将目标植物图像输入到训练好的目标网络，得到所述目标植物图像对应的诊断结果。本发明将带标签的各植物样本图像作为训练变分自编码器的依据，将训练好变分自编码器作为得到待标注的各植物样本图像对应的标签数据的依据，将带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据作为训练目标网络的依据，这种方式扩大训练目标网络的样本集，能够提高目标网络诊断植物是否感染病虫害以及感染病虫害时对应的具体病虫害类别的准确性。
7.优选的，根据带标签的各植物样本图像，得到带标签的各植物样本图像对应的颜色纹理分布图的方法包括：去除所述带标签的各植物样本图像上的光照信息和纹理信息，得到带标签的各植物样本图像对应的无光照无纹理的rgb图像；利用超像素分割算法对所述无光照无纹理的rgb图像进行分割，得到带标签的各植物样本图像对应的颜色分布图；利用边缘检测算法对所述带标签的各植物样本图像进行边缘检测，得到带标签的各植物样本图像对应的边缘分布图；根据所述颜色分布图和所述边缘灰度分布图，得到带标签的各植物样本图像对应的颜色纹理分布图。
8.优选的，根据所述颜色纹理分布图，得到带标签的各植物样本图像的病症风格特征的方法包括：利用风格迁移算法对所述颜色纹理分布图进行处理，得到各颜色纹理分布图对应的gram矩阵；将所述gram矩阵作为带标签的各植物样本图像对应的病症风格特征。
9.优选的，利用所述带标签的各植物样本图像训练变分自编码器的方法包括：将带标签的各植物样本图像分别输入到变分自编码器中，利用重构损失函数、类内病症风格损失函数、类间病症风格损失函数和全局损失函数对变分自编码器进行训练。
10.优选的，重构损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的重构损失函数，为植物对应的第个状态类别中带标签的第个植物样本图像对应的高斯模型，为植物对应的第个状态类别对应的高斯模型，为植物对应的第个状态类别中带标签的第个植物样本图像，为变分自编码器的解码器输出的植物对
应的第个状态类别中带标签的第个植物样本图像对应的重构图像，为与的散度。
11.优选的，类内病症风格损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类内病症风格损失函数，为植物对应的第个状态类别中带标签的植物样本图像的数量，为植物对应的第个状态类别中带标签的第个植物样本图像，为植物对应的第个状态类别中带标签的第个植物样本图像，为植物对应的第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像的病症风格特征融合程度，为第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度，。
12.优选的，类间病症风格损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类间病症风格损失函数，为植物对应的状态类别数量，为植物对应的第个状态类别，为植物对应的第个状态类别，，为植物对应的第个状态类别与第个状态类别之间的高斯模型区分难度，为植物对应的第个状态类别与第个状态类别之间的病症风格特征区分难度。
13.优选的，全局损失函数为：其中，为植物对应的第个状态类别中带标签的第个植物样本图像对应的变分自编码器的全局损失函数，为植物对应的第个状态类别对应的高斯模型，为标准高斯模型，为与的散度。
14.优选的，得到待标注的植物样本图像对应的标签数据的方法包括：将待标注的各植物样本图像输入到训练好的变分自编码器中，得到待标注的各植物样本图像对应的高斯模型；根据待标注的各植物样本图像的高斯模型，计算待标注的各植物样本图像属于植物对应的各状态类别的概率；将待标注的各植物样本图像属于植物对应的各状态类别的概率作为待标注的植物样本图像对应的标签数据。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见地，下面
描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明一种基于人工智能的植物病虫害诊断方法的流程图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
18.除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
19.本实施例提供了一种基于人工智能的植物病虫害诊断方法，详细说明如下：如图1所示，该基于人工智能的植物病虫害诊断方法，包括以下步骤：步骤s001，获取带标签的植物样本图像集、待标注的植物样本图像集和目标植物图像；所述带标签的植物样本图像集包括带标签的不同状态类别的植物样本图像；所述不同状态类别包括不同病虫害类别和不含病虫害类别。
20.本实施例中，利用无人机搭载rgb高清相机对处于不同区域不同生长时期的植物进行图像采集，将在历史时间段内无人机搭载rgb高清相机采集的植物图像记为植物样本图像集，将无人机搭载rgb高清相机实时采集的植物图像记为目标植物图像。
21.本实施例中，在无人机搭载rgb高清相机进行图像采集时，无人机低空飞行；本实施例中，历史时间段的长短以及图像采集的帧率都要根据实际情况设定，但满足采集的植物样本图像集是大规模的以及植物样本图像集中包含所有植物病虫害的类别。
22.本实施例中，对采集到的植物样本图像集中的部分植物样本图像进行人为标注标签，因此得到带标签的植物样本图像集，将采集到的植物样本图像集中的剩余部分植物样本图像记为待标注的植物样本图像集；所述带标签的植物样本图像集包括带标签的不同状态类别的植物样本图像；所述不同状态类别包括不同病虫害类别和不含病虫害类别；本实施例将感染同一病虫害类别的植物样本图像标注相同的标签数据，将所有正常即没有感染病虫害的植物样本图像标注相同的标签数据，例如将感染黄叶病的植物样本图像都标注为1；本实施例带标签的植物样本图像集包含的病虫害的类别是齐全的。
23.步骤s002，根据带标签的各植物样本图像，得到带标签的各植物样本图像对应的颜色纹理分布图；根据所述颜色纹理分布图，得到带标签的各植物样本图像的病症风格特征。
24.本实施例中，通过对带标签的各植物样本图像进行处理，去除带标签的各植物样本图像上的光照信息，避免光照对后续分析的影响；具体方法为：将带标签的各植物样本图像输入到retinexnet网络中，得到带标签的各植物样本图像对应的无光照的rgb图像，所述retinexnet网络为公知现有技术，因此本实施例不做具体描述。
25.本实施例中，利用5
×
5的高斯核对带标签的各植物样本图像对应的无光照的rgb图像进行模糊处理，去除带标签的各植物样本图像对应的无光照的rgb图像上的纹理信息，得到带标签的各植物样本图像对应的无光照无纹理的rgb图像；然后根据slic超像素分割
算法对带标签的各植物样本图像对应的无光照无纹理的rgb图像进行分割，获得多个区域，每个区域中的颜色相近似；本实施例中将同一个区域内的每个像素点的像素值设置为该区域内所有像素值求和之后的均值，这样可以得到包含不同颜色色块的带标签的各植物样本图像对应的无光照无纹理的rgb图像；将包含不同颜色色块的带标签的各植物样本图像对应的无光照无纹理的rgb图像记为带标签的各植物样本图像对应的颜色分布图，颜色分布图可以表明植物感染病虫害之后的颜色分布情况。
26.本实施例中，模糊处理以及slic超像素分割算法都为公知技术，因此本实施例不做具体描述；作为其它的实施方式，也可以根据实际情况选择其他的方式对带标签的各植物样本图像对应的无光照的rgb图像进行模糊处理或者使用其它的分割算法对带标签的各植物样本图像对应的无光照无纹理的rgb图像进行分割。
27.本实施例中，对带标签的各植物样本图像进行灰度化处理，得到带标签的各植物样本灰度图像，之后使用canny边缘检测算法，对得到的带标签的各植物样本灰度图像进行边缘提取，得到带标签的各植物样本灰度图像对应的边缘分布图，边缘分布图可以表明植物感染病虫害之后的纹理分布情况；本实施例中，canny边缘检测算法为公知技术，因此本实施例不做具体描述；作为其它的实施方式，根据需求的不同也可以使用其它的算法对注塑制件表面图像进行边缘提取，例如可以是sobel边缘检测算法或者roberts边缘检测算法。
28.本实施例中，对带标签的各植物样本图像对应的颜色分布图和带标签的各植物样本灰度图像对应的边缘分布图进行融合，得到带标签的各植物样本图像对应的颜色纹理分布图；具体的融合方法为：将单通道的带标签的各植物样本灰度图像对应的边缘分布图复制三份，构成带标签的各植物样本图像对应的三通道的边缘分布图，然后将带标签的各植物样本图像对应的三通道的边缘分布图与带标签的各植物样本图像对应的颜色分布图进行加权求和，将加权求和之后的图像记为带标签的各植物样本图像对应的颜色纹理分布图。
29.本实施例中，上述进行加权求和的过程中带标签的各植物样本图像对应的三通道的边缘分布图权重为0.4，带标签的各植物样本图像对应的颜色分布图的权重为0.6；作为其它的实施方式，也可以根据实际情况为标签的各植物样本图像对应的三通道的边缘分布图和带标签的各植物样本图像对应的颜色分布图分配不同的权重，但要满足权重之和为1。
30.本实施例中，对得到的带标签的各植物样本图像对应的颜色纹理分布图进行分析，得到带标签的各植物样本图像对应的病症风格特征，将得到的病症风格特征作为后续训练变分自编码器时构建损失函数的条件；具体分析方法为：利用风格迁移算法对得到的带标签的各植物样本图像对应的颜色纹理分布图进行处理，得到带标签的各植物样本图像对应的颜色纹理分布图的gram矩阵，将带标签的各植物样本图像对应的颜色纹理分布图的gram矩阵作为带标签的各植物样本图像对应的病症风格特征；所述风格迁移算法为公知技术因此本实施例不做具体描述。本实施例中，由上述过程得到的颜色纹理分布图与带标签的各植物样本图像相比，消除了带标签的各植物样本图像上的杂色以及增强了带标签的各植物样本图像的病症风格特征。
31.步骤s003，利用所述带标签的各植物样本图像训练变分自编码器，得到待标注的各植物样本图像对应的高斯模型；所述变分自编码器的损失函数由带标签的各植物样本图
像的病症风格特征以及高斯模型构建；所述变分自编码器用于提取带标签的各植物样本图像的病症风格特征以及为待标注的植物样本图像分配标签。
32.本实施例中，将训练好的变分自编码器作为后续为待标注的各植物样本图像分配标签的基础；本实施例中，首先构建一个变分自编码器，且变分自编码器的结构为公知技术，因此本实施例不做具体描述；而变分自编码器工作原理为：将图像输入到变分自编码器中，对于输入的图像变分自编码器的编码器输出对应的矩阵，矩阵表示为维空间高维的，且矩阵第一行表示维高斯模型的均值，第二行表示高斯模型协方差矩阵的对角线上的元素；从该图像对应的高斯模型采样一个空间的一个维向量，将这个维向量输入变分自编码器的解码器中获得输出该图像对应的重构图像。
33.本实施例中，变分自编码器中的为128，作为其它的实施方式，也可以根据实际情况为设置不同的值，例如可以是256。
34.本实施例中，将各状态类别对应的带标签的各植物样本图像分别输入到变分自编码器中，利用常规损失函数、类内病症风格损失函数、类间病症风格损失函数和全局损失函数对变分自编码器进行监督迭代训练，例如对于植物对应的第个状态类别中带标签的第个植物样本图像的常规损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的重构损失函数，为植物对应的第个状态类别中带标签的第个植物样本图像对应的高斯模型，为植物对应的第个状态类别对应的高斯模型，为植物对应的第个状态类别中带标签的第个植物样本图像，为变分自编码器的解码器输出的植物对应的第个状态类别中带标签的第个植物样本图像对应的重构图像，为与的散度；为的l2范数；本实施例要求变分自编码器的输入要趋近于输出，即趋近于，则要求趋近于0。
35.本实施例中，通过植物对应的第个状态类别对应的高斯模型的均值和协方差矩阵，分析植物对应的第个状态类别对应的高斯模型；植物对应的第个状态类别对应的高斯模型的均值和协方差矩阵分别为：的均值和协方差矩阵分别为：其中，为植物对应的第个状态类别对应的高斯模型的均值，为植物对应的第个状态类别中带标签的植物样本图像的数量，为第个状态类别中带标签的第个植物样本图像对应的高斯模型的均值；为植物对应的第个状态类别对应的协方差矩阵，为第个状态类别中带标签的第个植物样本图像对应的高斯模型的协方差矩阵。
36.本实施例中，通过上述过程可以得到植物对应的第个状态类别对应的高斯模型的均值是第个状态类别中所有带标签的植物样本图像对应的高斯模型均值的均值，植物对应的第个状态类别对应的协方差矩阵为第个状态类别中所有带标签的植物样本图像对应的协方差矩阵的均值，因此第个状态类别对应的高斯模型为第个状态类别中所有带标签的植物样本图像在高维空间的分布特征。
37.本实施例中，对于植物对应的第个状态类别中带标签的第个植物样本图像的类内病症风格损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类内病症风格损失函数，为植物对应的第个状态类别中带标签的植物样本图像的数量，为植物对应的第个状态类别中带标签的第个植物样本图像，为植物对应的第个状态类别中带标签的第个植物样本图像，为植物对应的第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像的病症风格特征融合程度，为第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度，。
38.本实施例中，根据第个植物样本图像与第个植物样本图像之间的病症风格特征相似度，得到第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像的病症风格特征融合程度，且第个植物样本图像与第个植物样本图像之间的病症风格特征相似度与第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像的病症风格特征融合程度成正相关关系；且根据如下公式计算植物对应的第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像的病症风格特征融合程度：其中，为植物对应的第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的病症风格特征融合程度，为第个状态类别中带标签的第个植物样本图像对应的病症风格特征，为第个状态类别中带标签的第个植物样本图像对应的病症风格特征；为第个植物样本图像与第个植物样本图像之间的病症风格特征差异，为的l2范数，为第个植物样本图像与第个植物样本图像之间的病症风格特征相似度；当的值越小，的l2范数的值越小，对应的的值越大，即第个植物样本图像与第个植物样本图像之间的病症风格特征相似度越高；为在第个状态类别中第个植物样本图像与所有带标签
的植物样本图像的病症风格特征相似度之和，是一个归一化系数。
39.本实施例中，的值越大说明在第个状态类别中的第个植物样本图像与第个植物样本图像的病症风格特征融合程度越大，且本实施例要求在第个状态类别中第个植物样本图像的高斯模型与第个植物样本图像的高斯模型相距相对较近，即对应的高斯模型融合程度越大，因此对于同一状态类别，变分自编码器能够将两个病症风格特征相似度大的归为通一种状态类别；的值越小表明在第个状态类别中的第个植物样本图像与第个植物样本图像的病症风格特征融合程度越小，且本实施例要求第个植物样本图像的高斯模型与第个植物样本图像的高斯模型相距相对较远，即对应的高斯模型融合程度较小，因此对于同一状态类别，变分自编码器能够将两个病症风格特征相似度小的也归为同一种状态类别。
40.本实施例中，根据在第个状态类别中第个植物样本图像与第个植物样本图像之间的高斯模型相似度，得到第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度；根据如下公式计算第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度：其中，为第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度，为第个状态类别中带标签的第个植物样本图像对应的高斯模型的均值，为第个状态类别中带标签的第个植物样本图像对应的高斯模型的均值，为的l2范数，为与的高斯模型相似度，的l2范数越小，与的高斯模型相似度越大，为在第个状态类别中第个植物样本图像与所有带标签的植物样本图像的高斯模型相似度之和，是一个归一化系数。
41.本实施例中，的值越大表明在第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度越大、高斯模型相距更近，高斯模型的分布一致性大；若的值越小表明在第个状态类别中带标签的第个植物样本图像与带标签的第个植物样本图像之间的高斯模型融合程度越小、高斯模型相距更近，高斯模型的分布一致性小；本实施例中要求趋近于0，即趋近于0，即的值趋近于0，使病症风格特征融合程度大的带标签的植物样本图像的高斯模型的分布一致性大，病症风格特征融合程度小的带标签的植物样本图像的高斯模型的分布一致性小，使变分自编码器能够具有更强的特征提取和表征能力。
42.本实施例中，对于植物对应的第个状态类别中带标签的第个植物样本图像的类间病症风格损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类间病症风格损失函数，为植物对应的状态类别数量，为植物对应的第个状态类别，为植物对应的第个状态类别，，为植物对应的第个状态类别与第个状态类别之间的高斯模型区分难度，为植物对应的第个状态类别与第个状态类别之间的病症风格特征区分难度。
43.本实施例中，计算第个状态类别与第个状态类别之间的病症风格特征区分难度的具体方法为：首先计算第个状态类别中带标签的各植物样本图像与第个状态类别中带标签的各植物样本图像之间的病症风格特征相似度，得到第个状态类别与第个状态类别之间的病症风格特征相似度集合，将病症风格特征相似度集合中的最大值作为第个状态类别与第个状态类别之间的病症风格特征区分难度；当的值越大表明病症风格特征相似度集合中的最大值对应的两个带标签的植物样本图像对应的病症风格特征相似度越高，则第个状态类别与第个状态类别对应的区分难度越大，而当两张带标签的植物样本图像的病症风格特征太过于相似时，会导致变分自编码器难以将这两张带标签的植物样本图像区分成两种病虫害类型。
44.本实施例中，为了让变分自编码器能够区分出不同状态类型之间病症风格特征太过于相似的带标签的植物样本图像，要求不同状态类型之间病症风格特征太过于相似的带标签的植物样本图像对应的高斯模型具有较大的可区分性。即不同状态类型之间病症风格特征太过于相似的带标签的植物样本图像对应的高斯模型的区分难度小，这样使变分自编码器能够提取出两个标签中所具有的不同的特征，提高变分自编码器的区分能力。
45.本实施例中，根据第个状态类别与第个状态类别之间的高斯模型差异度，得到植物对应的第个状态类别与第个状态类别之间的高斯模型区分难度；根据如下公式计算第个状态类别与第个状态类别之间的高斯模型区分难度：其中，为第个状态类别与第个状态类别之间的高斯模型区分难度，为第个状态类别对应的高斯模型的均值，为第个状态类别对应的高斯模型的均值，为的l2范数，为第个状态类别与第个状态类别之间的高斯模型差异度，越大说明第个状态类别和第个状态类别对应的高斯模型区分难度越小，且是归一化系数。
46.本实施例中，要求趋近于0，使不同状态类型之间病症风格特征太过于相似的带标签的植物样本图像对应的高斯模型具有较小的区分难度。
47.本实施例中，对于植物对应的第个状态类别中带标签的第个植物样本图像的全局损失函数为：其中，为第个状态类别中带标签的第个植物样本图像对应的变分自编码器的全局损失函数，为植物对应的第个状态类别对应的高斯模型，为标准高斯模型，为与的散度。
48.本实施例中，为均值为0向量，协方差矩阵对角线元素全为1的标准高斯模型，为与的散度，本实施例要求植物对应的第个状态类别对应的高斯模型分布在标准高斯模型上。
49.本实施例中，根据第个状态类别中带标签的第个植物样本图像对应的变分自编码器的重构损失函数、第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类内病症风格损失函数、第个状态类别中带标签的第个植物样本图像对应的变分自编码器的类间病症风格损失函数以及植物对应的第个状态类别中带标签的第个植物样本图像对应的变分自编码器的全局损失函数，得到植物对应的第个状态类别中带标签的第个植物样本图像对应的损失值；根据如下公式计算植物对应的第个状态类别中带标签的第个植物样本图像对应的损失值：其中，为植物对应的第个状态类别中带标签的第个植物样本图像对应的损失值。
50.本实施例中，根据上述过程带标签的各植物样本图像都可以得到对应的损失值，然后利用随机梯度下降算法更新变分自编码器的参数，直至收敛，完成变分自编码器的训练过程。
51.步骤s004，根据所述高斯模型，为待标注的各植物样本图像分配标签，得到待标注的各植物样本图像对应的标签数据。
52.本实施例中，将待标注的植物样本图像集输入到训练好变分自编码器中，获得待标注的植物样本图像集中待标注的各植物样本图像对应的高斯模型，之后根据待标注的各植物样本图像与植物样本图对应的各状态类别之间的对应的高斯模型相似度，得到待标注的各植物样本图像属于植物对应的各状态类别的概率，根据如下公式计算待标注的各植物样本图像属于植物对应的各状态类别的概率：其中，为第个待标注的植物样本图像属于植物对应的第个状态类别的概率，为第个待标注的植物样本图对应的高斯模型，为第个状态类别对应的高斯模
型，为与的散度，越小与对应的高斯模型相似度越高，为与对应的高斯模型相似度；当的值越大，对应的第个待标注的植物样本图像属于植物对应的第个状态类别的概率越大，其中是归一化系数。
53.本实施例中，将待标注的各植物样本图像属于植物对应的各状态类别的概率作为待标注的植物样本图像对应的标签数据；因此通过上述过程可以为待标注的各植物样本图像分配标签，得到待标注的各植物样本图像对应的标签数据。
54.步骤s005，根据带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据训练目标网络，所述目标网络用于诊断植物是否感染病虫害以及感染病虫害时对应的具体病虫害类别。
55.本实施例中，构建一个目标网络，所述目标网络为全连接网络，将带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据训练目标网络输入到目标网络中，并利用交叉熵损失函数和随机梯度下降算法训练目标网络；所述目标网络用于诊断植物是否感染病虫害以及感染病虫害时对应的具体病虫害类别。
56.步骤s006，将目标植物图像输入到训练好的目标网络，得到所述目标植物图像对应的诊断结果。
57.本实施例中，将目标植物图像输入到训练好的目标网络，输出结果是每个标签对应的概率，将待标注的植物样本图像属于植物对应的各状态类别的最大概率值对应状态类别作为该待标注的植物样本图像的状态类别。
58.本实施例根据所述颜色纹理分布图，得到带标签的各植物样本图像的病症风格特征；利用带标签的各植物样本图像训练变分自编码器，得到待标注的各植物样本图像对应的高斯模型；根据高斯模型，为待标注的各植物样本图像分配标签，得到待标注的各植物样本图像对应的标签数据；根据带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据训练目标网络；将目标植物图像输入到训练好的目标网络，得到所述目标植物图像对应的诊断结果。本实施例将带标签的各植物样本图像作为训练变分自编码器的依据，将训练好变分自编码器作为得到待标注的各植物样本图像对应的标签数据的依据，将带标签的各植物样本图像、带标签的各植物样本图像对应的标签数据、待标注的各植物样本图像以及待标注的各植物样本图像对应的标签数据作为训练目标网络的依据，这种方式扩大训练目标网络的样本集，能够提高目标网络诊断植物是否感染病虫害以及感染病虫害时对应的具体病虫害类别的准确性。
59.本实施例的基于人工智能的植物病虫害诊断系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于人工智能的植物病虫害诊断方法。
60.需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，
在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。