一种基于深度多任务学习的高丛蓝莓僵果病害识别方法技术

本发明专利技术涉及一种基于深度多任务学习的高丛蓝莓僵果病害识别方法，属于植物病害识别领域。该方法包括：S1：采集高丛蓝莓僵果病害图像数据集，对图像数据集进行数据标注生成感染部位识别数据集、感染阶段划分数据集和感染严重程度估计数据集；S2：对标注的图像数据集进行数据扩增；S3：在EfficientNet模型基础上搭建深度多任务蓝莓僵果病害识别模型；S4：利用步骤S2中扩增的图像数据集对步骤S3构建的深度多任务蓝莓僵果病害识别模型进行训练；S5：使用训练好的模型进行蓝莓僵果病感染部位识别，感染阶段划分，以及感染严重程度估计。本发明专利技术可以实现蓝莓僵果病害高效准确的识别，对农业病害监测有巨大的现实意义和价值。病害监测有巨大的现实意义和价值。病害监测有巨大的现实意义和价值。

【技术实现步骤摘要】
一种基于深度多任务学习的高丛蓝莓僵果病害识别方法


[0001]本专利技术属于植物病害识别领域，涉及一种基于深度多任务学习的高丛蓝莓僵果病害识别方法。

技术介绍

[0002]目前针对农作物病害进行自动化识别得到了有效的发展，典型代表是兴起的机器学习和深度学习技术。深度学习的应用在图像方面的应用越来越广泛，通过计算机实现高丛蓝莓僵果病害的自动化识别检测成为可能。植物病害识别包括对植物感染疾病类型进行识别，疾病感染阶段的划分，感染严重程度的估计等一系列问题。目前，众多学者研究出了许多经典的卷积神经网络模型，应用于植物病害识别的诸多问题中，然而，当前的研究思路，主要采取单任务学习的思想，针对植物病害识别的不同问题，分别构建卷积神经网络模型来解决不同的任务。这种方法忽略了植物病害识别不同问题之间的关联信息，导致病害识别的准确率低，实际应用受限。
[0003]因此，亟需一种新的植物病害识别方法来识别高丛蓝莓僵果病害。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于深度多任务学习的高丛蓝莓僵果病害识别方法，通过构建一个深度多任务蓝莓僵果病害识别模型，同时解决高丛蓝莓僵果病害识别感染部位识别、感染阶段划分、感染严重程度估计三个问题，提升僵果病害识别的准确率和效率。正确识别蓝莓僵果病早期感染阶段以及合理估计疾病感染严重程度对于疾病预防和控制具有重要作用。现代农业对于农作物病害防控的技术措施，例如确定农药喷洒的时间和剂量，以及引入商业蜜蜂传粉，都依赖于蓝莓植物的感染时间、感染部位以及如何感染的准确信息。关于识别叶子、花或果实上的感染点的具体信息；感染阶段的分类；以及对疾病严重程度的估计，将有助于管理蓝莓僵果病。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于深度多任务学习的高丛蓝莓僵果病害识别方法，具体包括以下步骤：
[0007]S1：采集高丛蓝莓僵果病害图像数据集，对图像数据集进行数据标注生成感染部位识别数据集、感染阶段划分数据集和感染严重程度估计数据集；
[0008]S2：对标注的图像数据集进行数据扩增，由于深度学习需要强大的训练数据支持，因而将标注的三个病害数据集进行数据扩充，增加数据样本的总量；
[0009]S3：在EfficientNet模型基础上搭建深度多任务蓝莓僵果病害识别模型，同时解决关于蓝莓僵果病害识别的感染部位识别、感染阶段划分以及感染严重程度估计三个问题；
[0010]S4：利用步骤S2中扩增的图像数据集对步骤S3构建的深度多任务蓝莓僵果病害识别模型进行训练；
[0011]S5：使用训练好的模型进行蓝莓僵果病感染部位识别，感染阶段划分，以及感染严
重程度估计。
[0012]进一步，步骤S1中，采集的高丛蓝莓僵果病害图像包含蓝莓的花、叶和果实图像数据；数据采集方式为在中国东北野生蓝莓种植基地实地拍摄和通过网络爬虫的方式进行数据采集。
[0013]数据标注原则为：1)感染部位识别数据集：判断图像数据中主要感染组织的部位是花、叶或果实，进行数据标注；2)感染阶段划分数据集：根据蓝莓僵果病害的病理学特征，数据被标注为健康阶段、原发性感染阶段或继发性感染阶段；3)感染严重程度划分数据集：估计图像中受感染区域的面积，进行数据标注。
[0014]进一步，步骤S2中，对图像数据集进行扩增，具体采用基于几何变换、色彩变换、像素变换的图像操作数据增强方法，并使用随机概率和适当组合的策略对数据集进行离线数据增强，增强生成图像的丰富度。
[0015]进一步，步骤S3中，搭建的深度多任务蓝莓僵果病害识别模型主要包括一个参数共享模块和三个特定任务模块；选择改进的EfficientNet模型作为参数共享模块；原始EfficientNet模型由9个阶段的操作组成，去掉最后一个阶段的操作，搭建生成参数共享模块；特定任务模块是在残差结构的基础上，融合协调注意力机制和分组卷积操作搭建而成。
[0016]进一步，步骤S3中，所述特定任务模块是在残差模块的基础上融合协调注意力机制以及分组卷积操作搭建而成，在增强特征表达的同时，降低模型参数；具体是协调注意力机制被添加在残差结构的第二个卷积层之后，分组卷积操作添加在残差结构的第三个卷积操作之后。
[0017]进一步，步骤S4中，采用迁移学习技术对模型进行训练，包括设置最大迭代次数，选用随机梯度下降优化算法，设置学习率；三个任务的数据依次通过参数共享模块，得到三个特征向量，然后三个特征向量经过各自的特定任务模块分支，完成蓝莓僵果病害感染部位识别，感染阶段划分，以及感染严重程度估计。
[0018]进一步，步骤5中，使用训练好的模型进行蓝莓僵果病感染部位识别、感染阶段划分和感染严重程度估计，模型输入为三张图片，分别对应三个僵果病害识别的三个问题，输出为三个问题的识别结果。
[0019]本专利技术的有益效果在于：本专利技术的蓝莓僵果病害识别方法实际应用价值更高，采用轻量级卷积神经网络模块搭建，可以同时检测蓝莓僵果病害的感染部位、感染阶段、评估感染严重程度，从而降低模型的部署成本，提高识别效率，为农作物病害识别提供了理论指导与技术支撑。针对蓝莓病害训练样本少问题，通过几何变化等多种方法对图像数据集进行扩充、增强，有效避免模型出现过拟合的风险，优化诊断模型的泛化能力；同时采用迁移学习策略进行模型训练，加速模型训练过程，提高识别精度。
[0020]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0021]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优
选的详细描述，其中：
[0022]图1为高丛蓝莓僵果病害识别数据集，其中，图1(a)为感染部位识别数据集图像实例，图1(b)为感染阶段划分数据集图像实例，图1(c)为感染严重程度估计数据集图像实例；
[0023]图2为图像增强实例，其中，图2(a)中的图像经过几何变换处理，图2(b)中的图像经过色彩变化处理，图2(c)中的图像进行了像素变化处理；
[0024]图3为深度多任务蓝莓僵果病害识别模型结构图；
[0025]图4为特定任务模块结构图，其中，图4(a)为残差模块结构，图4(b)为特定任务模块结构；
[0026]图5为训练过程中三个数据集在训练和验证集上的识别准确率变化情况以及交叉熵变化情况；
[0027]图6为本专利技术基于深度多任务学习的高丛蓝莓僵果病害识别方法的流程图。
具体实施方式
[0028]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度多任务学习的高丛蓝莓僵果病害识别方法，其特征在于，该方法包括以下步骤：S1：采集高丛蓝莓僵果病害图像数据集，对图像数据集进行数据标注生成感染部位识别数据集、感染阶段划分数据集和感染严重程度估计数据集；S2：对标注的图像数据集进行数据扩增；S3：在EfficientNet模型基础上搭建深度多任务蓝莓僵果病害识别模型；S4：利用步骤S2中扩增的图像数据集对步骤S3构建的深度多任务蓝莓僵果病害识别模型进行训练；S5：使用训练好的模型进行蓝莓僵果病感染部位识别，感染阶段划分，以及感染严重程度估计。2.根据权利要求1所述的基于深度多任务学习的高丛蓝莓僵果病害识别方法，其特征在于，步骤S1中，采集的高丛蓝莓僵果病害图像包含蓝莓的花、叶和果实图像数据；数据标注原则为：1)感染部位识别数据集：判断图像数据中主要感染组织的部位是花、叶或果实，进行数据标注；2)感染阶段划分数据集：根据蓝莓僵果病害的病理学特征，数据被标注为健康阶段、原发性感染阶段或继发性感染阶段；3)感染严重程度划分数据集：估计图像中受感染区域的面积，进行数据标注。3.根据权利要求1所述的基于深度多任务学习的高丛蓝莓僵果病害识别方法，其特征在于，步骤S2中，对图像数据集进行扩增，具体采用基于几何变换、色彩变换、像素变换的图像操作数据增强方法，...

【专利技术属性】
技术研发人员：屈洪春，黄锐，张蔼琳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：