水稻病害识别模型构建方法和装置与流程

1.本发明属于农业技术领域，特别涉及一种水稻病害识别模型构建方法和装置。


背景技术：

2.水稻是重要粮食作物，具有广泛的种植面积。病害作为影响水稻健康生长的核心影响因素之一，对粮食安全产生重要影响。目前，水稻病害观测主要依靠人工，主观性强、效率低、劳动强度大等问题突出。
3.近年来，随着机器视觉、人工智能以及深度学习技术的发展，基于信息技术的水稻病害识别已经取得了一定成效。但是，受环境、地域以及种植模式影响，病害图像表征形式和方式差异较大，传统的基于图像大数据的深度学习方法，无法满足所有场景病害观测需要。


技术实现要素：

4.本发明的实施例之一，一种基于图像孪生和迁移学习的水稻病害识别模型的构建方法，包括
5.获取水稻病害图像集为第一图像集，构建病害图像小样本库；
6.在小样本库中选择具有表征意义的图像特征进行语义描述，构建病害语义库；利用dual-trinet算法计算小样本特征和语义映射，利用语义和映射反向生成扩增特征图像集为第二图像集；
7.利用第二图像集和第一图像集构建第二学习样本库；
8.利用第二学习样本库，基于迁移学习算法构建水稻病害识别模型。
9.进一步的，在构建病害图像小样本库后，要对小样本库中的图像进行预处理，该预处理是通过专家经验法分析，选择具有表征意义的图像特征进行语义描述，构建病害语义库。
10.进一步的，在构建第二学习样本库后，通过分类获得训练集和测试集，基于迁移学习算法构建水稻病害识别模型。
附图说明
11.通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
12.图1根据本发明实施例之一的水稻病害识别模型构建方法流程示意图。
具体实施方式
13.水稻病害小样本识别方法，满足特定场景水稻病害识别要求，提升技术适应性，降低应用难度。虽然迁移学习作为一种重要的增量学习方法，在很多领域得到广泛使用，是一
种有效的小样本识别算法，但同样受样本数量影响，当样本数量增加时，学习识别率能得到有效提升。因此，仅仅依靠传统的迁移学习方法，不能满足高精度识别需要。
14.为解决上述问题，根据一个或者多个实施例，提供一种基于样本增强的迁移学习方法的水稻病害识别模型，提升算法适应性，满足特殊场景，特殊水稻病害识别需要。算法逻辑框图如图1所示，该模型构建方法包括：
15.s101，选择具有代表意义的具有明显差异的典型水稻病害图片构建病害图片小样本库，并应用统一标准对图像进行预处理；
16.s102，对预处理数据进行专家经验法分析，选择具有明显表征意义的图片特征进行语义描述，构建病害语义库；
17.s103，对处理好的数据进行分类得到训练集和测试集；
18.s104，利用dual-trinet算法计算小样本特征和语义映射，利用语义和映射反向生成扩增特征图像；
19.s105，利用扩增图像和原始采集图像构建新的学习样本库；
20.s106，再次分类得到训练集和测试集；
21.s107，利用基于resnet的vgg19构建迁移学习模型；
22.s108，利用构建好的迁移学习模型对病害图像进行学习测试，调整参数，构建识别模型，实现具有明显差异的水稻病害图像识别。
23.根据一个或者多个实施例，水稻病害识别模型构建方法，包括步骤：
24.s201,针对水稻常见的叶瘟病、胡麻斑病、细菌性褐斑病，采用专家咨询和网络检索手段，收集不同种植区域、不同种植模式的病害图片，筛选具有明显图像表征差异的同种病害图片，按照水稻种植地域、种植模式、品种差异构建图像样本库；
25.s202,采用专家经验法和对比观测法，确定同种病害共性特征和差异性特征，按照水稻病害图像特征涉及的颜色、种植面积、位置、数量等关键词，构建病害描述语义库；
26.s203,采用高斯滤波分别对原始图像rgb通道进行滤波，去除图像噪声；
27.s204,按照8：2的比例，将样本库分为训练集和测试级；
28.s205,采用dual-trinet网络结构，使用端到端的方法构建病害图像特征和语义特征映射，其中dual-trinet算法采用restnet18作为算法主茎，算法框架共分为4层，第一层大小为64*56*56，第二层大小为128*28*28，第三层大小为256*14*14，第四层大小为512*7*7。层和层之间采用最大池化操作，学习率为0.001。
29.s206,通过增加高斯噪声、以及利用同种病害不同语义特征产生进行反向图像生成，图像生成采用反卷积操作，采用dual-trinet算法反向学习语义特征和病害图像特征，获得病害增量图像，反向网络和前向映射结构类似，参数一致；s207,利用训练集训练dual-trinet网络，训练时不增加高斯噪声和语义特征；s208,利用训练好模型通过增加高斯噪声和相邻语义特征构造增量图像；
30.s209,混合病害增量图像和原有样本库图像，构建新的病害图像样本库，并按照8：2比例构建训练集和测试集；
31.s2010,以vgg19预训练模型为基础，通过开放全连接层和临近的1-3层卷积层参数，对迁移学习模型进行再次训练。
32.s2011,选用小批量梯度下降优化算法，其中minibatchsize设置为10；
33.s2012,选择随机梯度下降算法，学习率设置为0.0001，选择softmax作为损失函数，每个训练周期打乱一次数据。
34.s2013,比较分析实验结果，根据识别精度和识别效率综合比较，按照临近全连接层卷积层层数较少，且两个选择之间识别精度误差小于1％时，确定网络模型。
35.最终分别构造病害识别网络；
36.s2014,以常见的水稻病害不同图像表征图像为目标采集实验样本，其中学习模型共采集三种病害图片624张，其中叶瘟病248张，胡麻斑病186张、细菌性褐斑病190张。病害识别结果为叶瘟病90.2％，胡麻斑病94.7％,细菌性褐斑病95.4％。
37.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
38.本技术实施例如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
39.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。