本发明专利技术涉及一种基于迁移学习的木薯叶病分类方法、设备及存储介质，包括：(1)获取木薯叶病数据；(2)将木薯叶病数据即数据集分为训练集和测试集；(3)使用图像处理和图像增强方法对数据集进行图像预处理；搭建迁移学习模型，使用训练集对该迁移学习模型进行训练，并保存训练好的迁移学习模型；(4)将测试集输入训练好的迁移学习模型，检验训练好的迁移学习模型的泛化能力和准确率；(5)将待分类的木薯叶病数据图像预处理后输入至训练好的迁移学习模型，输出该木薯叶病数据所属的木薯叶病类别。本发明专利技术使用人工智能、迁移学习的方法进行木薯叶病分类，大大减少了木薯叶病分类的成本和时间，提高了木薯叶病分类的效率。提高了木薯叶病分类的效率。提高了木薯叶病分类的效率。
【技术实现步骤摘要】
一种基于迁移学习的木薯叶病分类方法、设备及存储介质
[0001]本专利技术涉及一种基于迁移学习的木薯叶病分类方法、设备及存储介质，属于人工智能
技术介绍
[0002]木薯广泛种植于非洲、美洲等100余个国家或地区，在中国主要分布在广西广东等地，是三大薯类作物之一，全球第六大粮食作物，是世界近六亿人的口粮。在非洲，木薯是小农种植的一种重要的粮食安全作物，因为它可以承受恶劣的条件。撒哈拉以南非洲至少80％的家庭农场种植木薯，但病毒性疾病是产量低下的主要来源。
[0003]现有的木薯叶疾病检测方法需要农民寻求政府资助的农业专家的帮助，对植物进行人为的检查和诊断，从而确定疾病的类别进行治疗，这个过程无疑会耗费大量的物力和财力。
[0004]现在人工智能发展迅速，神经网络已经广泛应用在了图像分类领域，如果能够通过人工智能、迁移学习的方法来自动进行识别分类木薯叶病，根据识别分类出的结果再进行治疗，这样就会大大提高疾病识别分类的效率，减少相应的成本和损失，提高相应产量。
技术实现思路
[0005]针对现有技术的不足，本专利技术提供一种基于迁移学习的木薯叶病分类方法。
[0006]术语解释
[0007]1、HSV域，HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)，这个模型中颜色的参数分别是:色调(H)，饱和度(S)，明度(V)。
[0008]2、图像腐蚀操作，是用操作数矩阵(一般为3x3大小)扫描图像中的每一个像素，操作数矩阵中每一个像素与覆盖的像素做“与”操作，如果全部为1，则图像中的该像素为1，反之为0。
[0009]3、神经网络：人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
[0010]4、迁移学习：迁移学习(Transfer learning)是一种机器学习方法，就是把为任务A开发的模型作为初始点，重新使用在为任务B开发模型的过程中。顾名思义就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练，这样就可以共享相应的模型参数，不用让神经网络从零开始学习和训练，从而大大加快新模型的学习训练效率。
[0011]5、PyTorch：PyTorch是一个开源的Python机器学习库，基于Torch，底层由C++实现，应用于人工智能领域，如计算机视觉、自然语言处理，PyTorch是由Facebook的人工智能研究团队开发。
[0012]6、timm：PyTorch Image Models(timm)是图像模型、数据加载、优化器、训练/验证
脚本的集合，是python的一种深度学习库，汇集了很多种与预训练模型，可以借助该库的预训练模型进行迁移学习。
[0013]7、EfficientNet
‑
B4：EfficientNets是图像分类模型的一个系列，这些模型可实现较高的准确性，而且模型占用空间很小，而且模型的训练和推理速度都很快，EfficientNet
‑
B4是其中的一个模型。
[0014]8、学习率：在深度学习神经网络相关训练中，学习速率作为一个超参数控制了权重更新的幅度，以及训练的速度和精度。
[0015]9、Albumentations：Albumentations是一个用于图像增强的Python库。图像增强被用于深度学习和计算机视觉任务，以提高训练模型的质量。Albumentations具有针对不同的图像任务有不同的API接口、图像增强处理速度快、易于添加到其它深度学习框架中的特点。
[0016]本专利技术的技术方案如下：
[0017]一种基于迁移学习的木薯叶病分类方法，包括步骤如下：
[0018](1)获取木薯叶病数据，木薯叶病数据分为5种，其中4种是疾病类别，1种是健康类别；
[0019]木薯叶病数据包括若干张木薯叶病的图片和健康的图片，以及一个csv文件，csv文件存放有每张图片的名称和对应的标签；
[0020](2)将步骤(1)获取的木薯叶病数据即数据集分为训练集和测试集；
[0021](3)搭建迁移学习模型，使用步骤(2)得到的训练集对该迁移学习模型进行训练，训练过程中，使用图像处理和图像增强方法对步骤(2)得到的数据集进行图像预处理，并保存训练好的迁移学习模型；
[0022](4)将测试集输入步骤(3)训练好的迁移学习模型，检验训练好的迁移学习模型的泛化能力和准确率；
[0023](5)将待分类的木薯叶病数据图像预处理后输入至步骤(4)检验后的训练好的迁移学习模型，输出该木薯叶病数据所属的木薯叶病类别。
[0024]根据本专利技术优选的，步骤(1)中，4种疾病类别包括木薯细菌性枯萎病、木薯褐条病、木薯绿色斑驳病和木薯花叶病。
[0025]根据本专利技术优选的，步骤(2)中，将步骤(1)获取的木薯叶病数据即数据集按照4：1的比例分为训练集和测试集。
[0026]根据本专利技术优选的，步骤(3)中，使用图像处理和图像增强方法对数据集进行图像预处理，具体实现过程如下：
[0027]首先，将获得的图像转化到HSV域；
[0028]然后，设定相应的阈值，获取绿色部分；具体是指：
[0029]a、对图像进行图像腐蚀操作，获得只有像素值为0和255的二值图像；
[0030]b、在某一帧二值图像中像素值为255的地方随机选取一个像素点，随机裁剪10
‑
100像素值大小的正方形图片；
[0031]c、在相邻的另一帧二值图像中像素值为255的地方随机选取一个像素点，裁剪和步骤b同样大小的正方形图片；
[0032]d、将裁剪得到的同样大小的图片进行互换；
[0033]对所有的图像均进行上述步骤a至步骤d的操作；
[0034]最后，使用Albumentations中的方法，包括随机裁剪、图像旋转、水平、垂直翻转、随机应用仿射变换、随机改变输入图像的色度和饱和度值、随机改变输入图像的亮度和对比度、进行相应归一化。
[0035]根据本专利技术优选的，所述迁移学习模型采用timm库中的EfficientNet
‑
B4网络，EfficientNet
‑
B4网络包括Stem、7个block和Final layers即EfficientNet
‑
B4网络的最后一层；
[0036]EfficientNet
‑
B4网络的最后一层输出为5类；EfficientNet
‑
B4网络的最后一层中，每一类的计算公式如式(Ⅰ)所示：
[0037][0038]式(Ⅰ)中，是指本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的木薯叶病分类方法，其特征在于，包括步骤如下：(1)获取木薯叶病数据，木薯叶病数据分为5种，其中4种是疾病类别，1种是健康类别；木薯叶病数据包括若干张木薯叶病的图片和健康的图片，以及一个csv文件，csv文件存放有每张图片的名称和对应的标签；(2)将步骤(1)获取的木薯叶病数据即数据集分为训练集和测试集；(3)搭建迁移学习模型，使用步骤(2)得到的训练集对该迁移学习模型进行训练，训练过程中，使用图像处理和图像增强方法对步骤(2)得到的数据集进行图像预处理，并保存训练好的迁移学习模型；(4)将测试集输入步骤(3)训练好的迁移学习模型，检验训练好的迁移学习模型的泛化能力和准确率；(5)将待分类的木薯叶病数据图像预处理后输入至步骤(4)检验后的训练好的迁移学习模型，输出该木薯叶病数据所属的木薯叶病类别。2.根据权利要求1所述的一种基于迁移学习的木薯叶病分类方法，其特征在于，步骤(1)中，4种疾病类别包括木薯细菌性枯萎病、木薯褐条病、木薯绿色斑驳病和木薯花叶病。3.根据权利要求1所述的一种基于迁移学习的木薯叶病分类方法，其特征在于，步骤(2)中，将步骤(1)获取的木薯叶病数据即数据集按照4：1的比例分为训练集和测试集。4.根据权利要求1所述的一种基于迁移学习的木薯叶病分类方法，其特征在于，步骤(3)中，使用图像处理和图像增强方法对数据集进行图像预处理，具体实现过程如下：首先，将获得的图像转化到HSV域；然后，设定相应的阈值，获取绿色部分；具体是指：a、对图像进行图像腐蚀操作，获得只有像素值为0和255的二值图像；b、在某一帧二值图像中像素值为255的地方随机选取一个像素点，随机裁剪10
‑
100像素值大小的正方形图片；c、在相邻的另一帧二值图像中像素值为255的地方随机选取一个像素点，裁剪和步骤b同样大小的正方形图片；d、将裁剪得到的同样大小的图片进行互换；对所有的图像均进行上述步骤a至步骤d的操作；最后，使用Albumentations中的方法，包括随机裁剪、图像旋转、水平、垂直翻转、随机应用仿射变换、随机改变输入图像的色度和饱和度值、随机改变输入图像的亮度和对比度、进行相应归一化。5.根据权利要求1所述的一种基于迁移学习的木薯叶病分类方法，其特征在于，所述迁移学习模型采用timm库中的EfficientNet
‑
B4网络，Efficie...
【专利技术属性】
技术研发人员：吕传栋，胡宇，周斌，周洪超，吴雨林，
申请(专利权)人：山东大学，
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。