基于混合维度迁移学习的花卉病害识别系统

技术领域

本发明涉及花卉病害识别系统领域，具体地讲，涉及基于混合维度迁移学习的花卉病害识别系统。

背景技术

对于花卉的种植过程来说识别病害类别是至关重要的，不同的病害原因其病理特性具有很大的差异性，目前传统的花卉病害识别方式主要是直接观察法或者是以人工的方式观察显微镜下的切片，这种方式往往没有特定的标准，病害判错率比较高。

现有技术判断花卉类别的技术多数是基于计算机视觉结合深度学习的，需要先拍摄花卉图像或者是显微镜切片图像再进一步处理，这样处理不仅识别繁琐，且人工处理容易被手抖影响，很难具有实际的应用价值。此外，现有技术是处理采摘下的花卉，对其进行病害类别判断，目前还没有可以再采摘前进行在线识别花卉病害类别的技术。

判断花卉病害类别对于提高花卉种植的产量、质量十分重要，由此可见，亟需一种可以无需采摘、无需拍摄且准确度较高的方法对花卉病害进行识别。

发明内容

本公开的目的旨在至少能解决上述的技术缺陷之一，特别是现有的对花卉病害类别的判断都是通过人工判断，耗时耗力，且处理过程繁琐，且准确度不高的技术缺陷。

第一方面，提供了一种基于混合维度迁移学习的花卉病害识别方法，该方法包括：

步骤S1，使用光谱传感器在线采集未采摘的待分析花卉的病害可见光数据；

步骤S2，增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据，并对数据进行划分数据集；

步骤S3，引入迁移学习方法构建多维度混合的花卉病害识别模型；

步骤S4，花卉病害类别识别；

所述步骤S2采用光谱传感器采集数据，首先通过多元散射校正光学散射影响，增大可见光谱数据的信噪比，其次利用二阶光谱导数处理复杂背景以及基线漂移带来的干扰，最后利用高斯函数提取可见光谱数据的峰值，将得到的多个峰值进行分离，分离后的峰值对步骤S1中采集的初始可见光数据进行拟合，得到拟合后的光谱曲线，如公式1所示：

其中x为波长，y为光强度，A是分离后的可见光谱峰面积，μ表示峰顶位置，ω为峰宽，是基线位置，

使用固定的自动数据增强策略进行数据增强处理，将上述处理后的数据以8∶1∶1划分网络的训练集、验证集和测试集。

所述步骤S3包括以下子步骤：

步骤S301，创建ConvNet迁移学习框架；

使用TensorBoard的图形可视化对数据集创建一套R、G、B通道内核权重为3×3的滤波器，通过三个通道生成32个滤波器，构建由512个神经元完全连接的神经网络层，以此为池化层的每个像素设置一个权重连接，最后使用softmax函数得到输出；

步骤S302，多维度混合缩放ConvNet；

缩放网络可以在不减小输入波形图的前提下提高数据的识别精度，本发明从网络的深度、宽度和分辨率三个维度对网络进行混合性的缩放，这种混合性缩放有助于自适应增减网络的深度，在识别目标特征时更加细致、性能更强，首先规定网络的深度d、宽度w和分辨率r，如公式2所示：

公式2：d＝α

(α·β

公式2中为在混合性缩放策略中用户指定的控制网格缩放的系数，α、β、

γ是在原始ConvNet网络的格子中进行搜索得到的常量，用来决定在缩放时多余的资源如何分配给深度、宽度和分辨率；

步骤S303、融合经典的迁移学习方法训练得到花卉病害识别模型；

得到多维度混合缩放后的模型后，提取出模型的最后两层融合经典的迁移学习方法启动迁移任务，在这两层上对数据集进行训练，经过一定的迭代批次得到本次训练的最优模型之后，再改用微调网络的方法对此模型进行二次优化训练，经过设定好的迭代次数之后可生成需要的模型文件。

向步骤S3构建好的花卉病害识别模型输入待检测的花卉病害可见光数据，网络识别数据并标注出花卉病害的种类，无须采摘花卉即可达到花卉病害种类识别目的。

第二方面，提供了一种基于混合维度迁移学习的花卉病害识别系统，该系统包括：

采集模块，主要由光谱传感器采集待分析花卉的病害的可见光数据。

存储模块，用于存储真菌类病害、细菌类病害、病毒类病害三大类中的常见病害。

识别模块，所述识别模块与所述存储模块、采集模块通信相连，从采集模块接收到数据后进行分析处理，对比存储模块中的数据，得到最终结果返回给设备终端。

设备终端，主要为移动终端，用于为用户反馈信息。

与现有技术相比，本发明的优点和积极效果是：

(1)本发明的花卉病害识别模型，使得识别准确度更高，且运用多维度混合性的缩放网络方式，使得模型中网络资源能够得到自适应分配，从而在相似的波形中能够识别出更加细致的波形特征；

(2)引入迁移学习框架并融合迁移学习方法训练网络，可以缩减数据集的容量，提高训练效率，并且提升模型识别花卉病害的整体泛化能力。

(3)本发明无需人工进行识别，能够方便花卉病害识别。

附图说明

图1为本发明实施例中基于混合维度迁移学习的花卉病害识别方法主要步骤流程图；

图2为本发明实施例的增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据处理过程流程图；

图3为本发明实施例的引入迁移学习方法构建多维度混合的花卉病害识别模型的流程图；

图4为本发明实施例的基于混合维度迁移学习的花卉病害识别系统框图。

具体实施方式

下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

本公开实施例中提供了一种基于混合维度迁移学习的花卉病害识别方法，如图1所示为本发明方法处理过程的主要步骤流程图，该方法包括：

步骤S1，使用光谱传感器在线采集未采摘的待分析花卉的病害可见光数据；

步骤S2，增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据，并对数据进行划分数据集；

步骤S3，引入迁移学习方法构建多维度混合的花卉病害识别模型；

步骤S4，花卉病害类别识别；

所述步骤S2采用光谱传感器采集数据，如图2所示为本实施例增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据处理过程流程图。首先通过多元散射校正光学散射影响，增大可见光谱数据的信噪比，其次利用二阶光谱导数处理复杂背景以及基线漂移带来的干扰，最后利用高斯函数提取可见光谱数据的峰值，将得到的多个峰值进行分离，分离后的峰值对步骤S1中采集的初始可见光数据进行拟合，得到拟合后的光谱曲线，如公式1所示：

其中x为波长，y为光强度，A是分离后的可见光谱峰面积，μ表示峰顶位置，ω为峰宽，是基线位置，

使用固定的自动数据增强策略进行数据增强处理，将上述处理后的数据以8∶1∶1划分网络的训练集、验证集和测试集。

如图3所示为本实施例的引入迁移学习方法构建多维度混合的花卉病害识别模型的流程图，所述步骤S3包括以下子步骤：

步骤S301，创建ConvNet迁移学习框架；

使用TensorBoard的图形可视化对数据集创建一套R、G、B通道内核权重为3×3的滤波器，通过三个通道生成32个滤波器，构建由512个神经元完全连接的神经网络层，以此为池化层的每个像素设置一个权重连接，最后使用softmax函数得到输出；

步骤S302，多维度混合缩放ConvNet；

缩放网络可以在不减小输入波形图的前提下提高数据的识别精度，本发明从网络的深度、宽度和分辨率三个维度对网络进行混合性的缩放，这种混合性缩放有助于自适应增减网络的深度，在识别目标特征时更加细致、性能更强，首先规定网络的深度d、宽度w和分辨率r，如公式2所示：

公式2：d＝α

(α·β

公式2中为在混合性缩放策略中用户指定的控制网格缩放的系数，α、β、

γ是在原始ConvNet网络的格子中进行搜索得到的常量，用来决定在缩放时多余的资源如何分配给深度、宽度和分辨率；

步骤S303、融合经典的迁移学习方法训练得到花卉病害识别模型；

得到多维度混合缩放后的模型后，提取出模型的最后两层融合经典的迁移学习方法启动迁移任务，在这两层上对数据集进行训练，经过一定的迭代批次得到本次训练的最优模型之后，再改用微调网络的方法对此模型进行二次优化训练，经过设定好的迭代次数之后可生成需要的模型文件。

向步骤S3构建好的花卉病害识别模型输入待检测的花卉病害可见光数据，网络识别数据并标注出花卉病害的种类，无须采摘花卉即可达到花卉病害种类识别目的。

本公开实施例提供了一种基于混合维度迁移学习的花卉病害识别系统，如图4所示，该系统包括：

采集模块，主要由光谱传感器采集待分析花卉的病害的可见光数据。

存储模块，用于存储真菌类病害、细菌类病害、病毒类病害三大类中的常见病害。

识别模块，所述识别模块与所述存储模块、采集模块通信相连，从采集模块接收到数据后进行分析处理，对比存储模块中的数据，得到最终结果返回给设备终端。

设备终端，主要为移动终端，用于为用户反馈信息。