【技术实现步骤摘要】
训练大田作物病害识别模型及大田作物病害识别的方法
[0001]本专利技术属于图像处理与深度学习
,尤其涉及一种训练大田作物病害识别模型的方法及装置、基于大田作物病害识别模型的大田作物病害识别方法及装置、电子设备及计算机存储介质。
技术介绍
[0002]目前,常见的大田作物病害识别方法主要有以下三种:(1)人工识别:农业专家和种植户使用肉眼和经验判断是否发生某种病害。(2)检测剂:取病原菌孢子粉制作玻片,再使用检测剂放到显微镜下观察。(3)人工智能(Artificial Intelligence,AI)检测:基于图片信息和AI技术,使用大规模训练样本进行训练、识别。
[0003]针对AI检测来说,AI检测技术只能应用于场景、害虫种类以及相应检测方法都相对特定化环境。农业领域中不可知因素太多,如地理位置、气候水土、生物多样性等,某个因素的改变很可能就将在特性环境中已经测试成功的算法变成无效算法,进而影响检测效率,并且对隐蔽性较强的农业害虫或病害的监测能力有限。而且,目前可使用的农作物病虫害识别研究标准数据集较为缺少。
[0004]因此,如何训练出泛化能力强的大田作物病害识别模型,进而更加准确地识别大田作物病害是本领域技术人员亟需解决的技术问题。
技术实现思路
[0005]本专利技术实施例提供一种训练大田作物病害识别模型的方法及装置、基于大田作物病害识别模型的大田作物病害识别方法及装置、电子设备及计算机存储介质,能够训练出泛化能力强的大田作物病害识别模型,进而更加准确地识别大田作物病害 ...
【技术保护点】
【技术特征摘要】
1.一种训练大田作物病害识别模型的方法,其特征在于,包括:获取原始大田作物病害图像;基于所述原始大田作物病害图像、加权dropout算法及预设的Resnet网络进行模型训练,得到大田作物病害识别模型。2.根据权利要求1所述的训练大田作物病害识别模型的方法,其特征在于,所述基于所述原始大田作物病害图像、加权dropout算法及预设的Resnet网络进行模型训练,得到大田作物病害识别模型,包括:利用生成对抗网络对所述原始大田作物病害图像进行数据增强,得到样本图像数据集;基于所述样本图像数据集、所述加权dropout算法及所述Resnet网络进行模型训练,得到所述大田作物病害识别模型。3.根据权利要求2所述的训练大田作物病害识别模型的方法,其特征在于,所述基于所述样本图像数据集、所述加权dropout算法及所述Resnet网络进行模型训练,得到所述大田作物病害识别模型,包括:对所述样本图像数据集进行标签双线性插值和图像融合,得到样本图像训练集和样本图像测试集;基于所述样本图像训练集、所述样本图像测试集、所述加权dropout算法及所述Resnet网络进行模型训练,得到所述大田作物病害识别模型。4.根据权利要求3所述的训练大田作物病害识别模型的方法,其特征在于,所述基于所述样本图像训练集、所述样本图像测试集、所述加权dropout算法及所述Resnet网络进行模型训练,得到所述大田作物病害识别模型,包括:利用所述样本图像训练集及所述加权dropout算法训练所述Resnet网络,得到初始大田作物病害识别模型;利用所述样本图像测试集确定所述初始大田作物病害识别模型的错误率和/或损失值;当所述错误率小于错误率阈值和/或所述损失值小于损失值阈值时,确定所述初始大田作物病害识别模型为所述大田作物病害识别模型。5.根据权利要求1所述的训练大田作物病害识别模型的方法,其特征在于,所述基于所述原始大田作物病害图像、加权dropout算法及预设的Resnet网络进行模型训练,得到大田作物病害识别模型,包括:对所述Resnet网络进行双维度扩展,得到改进后的Resnet网络;基于所述原始大田作物病害图像、所述加权dropout算法及所述改进后的Resnet网络进行模型训练,得到所述大田作物病害识别模型。6.一种基于大田作物病害识别模型的大田作物病害识别方法,其特征在于,所述大田作物病害识别模型为使用权利要求1至5任一项所述的训练大田作物病害识别模型的方法得到的模型,包括:获取待识别图像;将所述待识别图像输入所述大田作物病害识别模型,输出识别结果;其中...
【专利技术属性】
技术研发人员:陈庆勇,桑建,魏远伦,马飞泉,寇荣,
申请(专利权)人:中国移动通信集团有限公司,
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。