CN114067202A - 一种小麦赤霉病的抗性鉴定方法及装置 - Google Patents
一种小麦赤霉病的抗性鉴定方法及装置 Download PDFInfo
- Publication number
- CN114067202A CN114067202A CN202111286492.1A CN202111286492A CN114067202A CN 114067202 A CN114067202 A CN 114067202A CN 202111286492 A CN202111286492 A CN 202111286492A CN 114067202 A CN114067202 A CN 114067202A
- Authority
- CN
- China
- Prior art keywords
- wheat
- disease
- resistance
- image
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种小麦赤霉病的抗性鉴定方法及装置,该方法包括:获取小麦的RGB图像数据;将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。本发明采用深度学***均严重度,可用于该小麦品种对赤霉病的抗性综合评价,上述算法可集成于手机应用中,以便提高小麦赤霉病抗性田间鉴定的工作效率和准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种小麦赤霉病的抗性鉴定方法及装置。
背景技术
小麦赤霉病又称为小麦癌症,是一种严重的小麦病害,它不仅会导致小麦大幅减产,还会产生毒素,世界各地的小麦产量和质量均受其影响。解决该病害的根本且有效的方法是培育抗病品种进行推广种植,在抗病品种育种研究中小麦赤霉病抗性鉴定是关键的一环,而当前小麦赤霉病抗性鉴定方法有着诸多不足之处,如何有效提升这一环节的效率和准确度是一个世界范围内备受关注的问题。随着计算机图像处理技术的快速发展,图像处理的应用场景日益丰富,在智慧农业的场景下,如何快速、准确地对植物抗病程度进行判断是传统农业技术急需解决的重要问题,也是计算机图像处理技术应用到实际的关键。
发明内容
有鉴于此,有必要提供一种小麦赤霉病的抗性鉴定方法及装置,用以克服现有技术中对小麦赤霉病的抗病程度分析困难的问题。
本发明提供一种小麦赤霉病的抗性鉴定方法,包括:
获取小麦的RGB图像数据;
将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
进一步地,所述轻量化网络模型的训练过程,包括:
获取包含标注信息的多种RGB样本图像,形成样本图片数据集,其中,所述标注信息为对应的实际病害程度等级;
将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级,其中,所述预测病害程度等级包括预测病害程度和预测抗病性等级;
根据所述预测病害程度等级和所述实际病害程度等级,对所述轻量化网络模型进行训练至收敛,确定训练完备的轻量化网络模型。
进一步地,所述RGB样本图像包括摄影设备拍摄的高质量图像、手持设备拍摄的手持设备图像以及主流植物图像的公共数据图像。
进一步地,所述将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级之前,还包括:
对所述高质量图像、所述手持设备图像、所述公共数据图像进行预处理,实现自动化图像增强。
进一步地,所述将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级,包括:
基于所述样本图片数据集中的所述高质量图像、所述手持设备图像和所述公共数据图像,采用所述预设大型网络进行预训练,确定预训练网络;
利用所述样本图片数据集中的所述高质量图像和所述手持设备图像,对所述预训练网络进行进一步训练,确定高准确率模型,输出所述预测病害程度等级。
进一步地,所述根据所述预测病害程度等级和所述实际病害程度等级,对所述轻量化网络模型进行训练至收敛,确定所述轻量化网络模型,包括:
采用知识蒸馏方式,根据所述预测病害程度等级和所述实际病害程度等级,将所述高准确率模型的网络性能转移至所述轻量化网络;
根据所述手持设备图像,对所述轻量化网络进行微调,并进行模型剪枝,确定所述训练完备的轻量化网络模型。
进一步地,将所述训练完备的轻量化网络模型部署在移动平台上。
进一步地,所述轻量化网络模型的网络结构包括下采样层、上采样层和跳跃连接层,其中:
所述下采样层,用于通过卷积和下采样,提取浅层特征;
所述上采样层,用于通过卷积和上采样,基于所述浅层特征,提取深层特征;
所述跳跃连接层,用于将所述浅层特征和所述深层特征进行融合,确定融合特征,并对所述融合特征进行预测分割。
进一步地,所述病害信息包括小麦的病害面积和患病小穗数,所述严重度信息包括感病面积比和病小穗率,所述根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定,包括:
将单个麦穗的RGB图像数据输入至所述训练完备的轻量化网络模型,输出的预测病害程度等级,统计所述病害面积和所述患病小穗数;
根据所述病害面积和单个麦穗的总面积之比,确定所述感病面积比;
根据所述患病小穗数和单个麦穗的小穗总数之比,确定所述病小穗率;
分别根据单个麦穗的所述感病面积比和所述病小穗率,统计对应麦穗品种的平均严重度,并根据平均严重度,确定综合严重度,基于综合严重度,确定总体麦穗对赤霉病的所述抗性水平。
本发明还提供一种小麦赤霉病的抗性鉴定装置,包括:
获取单元,用于获取小麦的RGB图像数据;
处理单元,用于将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
识别单元,用于根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
与现有技术相比,本发明的有益效果包括:首先,对小麦的RGB图像数据进行有效的获取;然后,利用训练完备的轻量化网络模型,对图像中的特征进行相应的识别,确定图像中反馈的病害信息;最后,利用从RGB图像识别的病害信息,确定小麦感染赤霉病害的严重度信息,无需人工识别,仅利用训练好的模型,对图像信息进行识别即可。综上,本发明采用深度学***均严重度,可用于该小麦品种对赤霉病的抗性综合评价,上述算法可集成于手机应用中,以便提高小麦赤霉病抗性田间鉴定的工作效率和准确率。
附图说明
图1为本发明提供的小麦赤霉病的抗性鉴定方法的应用***一实施例的场景示意图;
图2为本发明提供的小麦赤霉病的抗性鉴定方法一实施例的流程示意图;
图3为本发明提供的图2中轻量化网络模型训练过程一实施例的流程示意图;
图4为本发明提供的图3中步骤S302一实施例的流程示意图;
图5为本发明提供的图3中步骤S303一实施例的流程示意图;
图6为本发明提供的轻量化网络模型一实施例的网络结构
图7为本发明提供的图2中步骤S3一实施例的流程示意图;
图8为本发明提供的小麦赤霉病的抗性鉴定装置一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明的描述中,提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,所描述的实施例可以与其它实施例相结合。
本发明提供了一种小麦赤霉病的抗性鉴定方法及装置,为进一步快速便捷分析混响特性提供了新思路。以下分别进行详细说明:
本发明实施例提供了一种小麦赤霉病的抗性鉴定方法的应用***,图1为本发明提供的小麦赤霉病的抗性鉴定方法的应用***一实施例的场景示意图,该***可以包括服务器100,服务器100中集成有小麦赤霉病的抗性鉴定装置,如图1中的服务器。
本发明实施例中服务器100主要用于:
获取小麦的RGB图像数据;
将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
本发明实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本发明实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本发明方案一种应用场景,并不构成对本发明方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该小麦赤霉病的抗性鉴定方法的应用***还可以包括一个或多个其他终端,具体此处不作限定。
另外,如图1所示,该小麦赤霉病的抗性鉴定方法的应用***还可以包括存储器200,用于存储数据,如RGB图像数据、病害信息等。
需要说明的是,图1所示小麦赤霉病的抗性鉴定方法的应用***的场景示意图仅仅是一个示例,本发明实施例描述的小麦赤霉病的抗性鉴定方法的应用***以及场景是为了更加清楚地说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着小麦赤霉病的抗性鉴定方法的应用***的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
本发明实施例提供了一种小麦赤霉病的抗性鉴定方法,结合图2来看,图2为本发明提供的小麦赤霉病的抗性鉴定方法一实施例的流程示意图,包括步骤S1至步骤S3,其中:
在步骤S1中,获取小麦的RGB图像数据;
在步骤S2中,将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
在步骤S3中,根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
在本发明实施例中,首先,对小麦的RGB图像数据进行有效的获取;然后,利用训练完备的轻量化网络模型,对图像中的特征进行相应的识别,确定图像中反馈的病害信息;最后,利用从RGB图像识别的病害信息,确定小麦感染赤霉病害的严重度信息,无需人工识别,仅利用训练好的模型,对图像信息进行识别即可。
需要说明的是,本发明使用专门开发设计的图像采集设备,对小麦图像信息采集的环境进行优化控制,最大程度地避免数据间因环境影响产生的差异,轻便快捷地拍摄到所需的小麦图像。将轻量化的深度学习网络模型封装入手机应用程序中,通过图像处理的方法鉴定不同品种的小麦赤霉病抗性,以图形界面的方式,快速反馈结果信息。其中,本发明的轻量化体现在传统深度学习网络模型通长较大,需要功能较强的硬件支持,如PC端计算能力强劲的GPU设备。本发明的轻量化则体现在设计精简的模型,在预测准确度几乎相同的情况下不过度依赖硬件资源,能部署在功能较弱的硬件上(移动设备)。
其中,可以理解的是,本发明所述的图像采集设备不仅限于某一种特定的图像采集设备,只要能有效采集对应的RGB图像数据即可。
作为优选的实施例,结合图3来看,图3为本发明提供的图2中轻量化网络模型训练过程一实施例的流程示意图,上述轻量化网络模型的训练过程,具体包括步骤S301至步骤S303,其中:
在步骤S301中,获取包含标注信息的多种RGB样本图像,形成样本图片数据集,其中,所述标注信息为对应的实际病害程度等级,所述实际病害程度等级包括实际病害程度和实际抗病性等级;
在步骤S302中,将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级,其中,所述预测病害程度等级包括预测病害程度和预测抗病性等级;
在步骤S303中,根据所述预测病害程度等级和所述实际病害程度等级,对所述轻量化网络模型进行训练至收敛,确定训练完备的轻量化网络模型。
在本发明实施例中,首先,利用多种含有标注信息的RGB样本图像,有效构成样本图片数据集;然后,利用预设大型网络对构建好的样本图片数据集进行预训练,初步输出对应的预测病害程度等级;最后,利用预测病害程度等级和实际病害程度等级,即利用预设大型网络的训练结果,对轻量化网络模型进行训练,有效确定最终的轻量化网络模型,实现网络移植,完成了模型的轻量化。
作为优选的实施例,所述RGB样本图像包括摄影设备拍摄的高质量图像、手持设备拍摄的手持设备图像以及主流植物图像的公共数据图像。
在本发明实施例中,利用多种质量不一的图像,有效构成RGB样本图像,保证样本集的丰富性。
作为优选的实施例,上述步骤S2之前还包括:
对所述高质量图像、所述手持设备图像、所述公共数据图像进行预处理,实现自动化图像增强。
在本发明实施例中,通过对高质量图像、手持设备图像、公共数据图像进行预处理,保证样本集的图像质量。
作为优选的实施例,结合图4来看,图4为本发明提供的图3中步骤S302一实施例的流程示意图,上述步骤S302具体包括步骤S3021至步骤S3022,其中:
在步骤S3021中,基于所述样本图片数据集中的所述高质量图像、所述手持设备图像和所述公共数据图像,采用所述预设大型网络进行预训练,确定预训练网络;
在步骤S3022中,利用所述样本图片数据集中的所述高质量图像和所述手持设备图像,对所述预训练网络进行进一步训练,确定高准确率模型,输出所述预测病害程度等级。
在本发明实施例中,首先,采用预设大型网络进行预训练,确定对应的预训练网络;然后,通过高质量图像和手持设备图像对预训练网络进行进一步训练,确定对应的高准确率模型。
在本发明一个具体的实施例中,上述高准确率模型的确定过程包括:
第一步,将大型公开的植物数据集和采集的小麦数据集结合,采用目前主流大型高性能图像分类(例如Efficientnetv2-XL)网络做预训练,让模型充分学习植物的表型特征;
第二步,使用相机采集的高质量图像和模拟手持设备采集的低质量的图像,将上一步训练的模型在小麦病害数据集上做进一步的训练,让大模型学会精准地分割出病害区域。
作为优选的实施例,结合图5来看,图5为本发明提供的图3中步骤S303一实施例的流程示意图,上述步骤S303具体包括步骤S501至步骤S502,其中:
在步骤S501中,采用知识蒸馏方式,根据所述预测病害程度等级和所述实际病害程度等级,将所述高准确率模型的网络性能转移至所述轻量化网络;
在步骤S502中,根据所述手持设备图像,对所述轻量化网络进行微调,并进行模型剪枝,确定所述训练完备的轻量化网络模型。
在本发明实施例中,使用知识蒸馏的技术,将大模型的知识“传授”给设计的轻量化网络模型。使用预设大型网络对标签进行平滑,让轻量化网络模型更好地学习病害特征。
需要说明的是,知识蒸馏是将知识从大型模型转移到较小模型的过程。可以将模型看成是黑盒子,知识可以看成是输入到输出的映射关系。先训练一个teacher网络,然后使用这个teacher网络的输出和数据的真实标签去训练student网络。将网络从大网络转化成一个小网络,并保留接近于大网络的性能;也可以将多个网络的学到的知识转移到一个网络中,使得单个网络的性能接近组合网络的结果。
作为优选的实施例,将所述训练完备的轻量化网络模型部署在移动平台上。在本发明实施例中,将训练完备的轻量化网络模型部署在移动平台上,其中,移动平台优选为手机APP,通过手机拍摄小麦麦穗照片,或者手机获取其他设备拍摄的麦穗照片,在手机APP上直接输出病害信息,达到抗性鉴定的目的,便于相关人员的直接利用采集的图像进行识别病害信息,并完成相关的抗性鉴定,方便人员操作,降低人工成本。
在本发明一个具体的实施例中,使用手持设备拍摄的低质量图像对小模型进行最后的微调(根据上面通过高质量图像和模拟手持设备采集的低质量图像训练好的模型,调整参数,使用实际拍摄的低质量图像再次进行训练),并对模型剪枝(针对训练好的网络,观察每一层的权重,判断其对模型的贡献大小,删除对整体模型贡献较小的权重,将剩余的权重构成新的模型,在精准度几乎没有损失的情况下降低模型计算复杂度,达到模型压缩、加速的目的)方便最后部署到移动平台。
作为优选的实施例,所述轻量化网络模型的网络结构包括下采样层、上采样层和跳跃连接层,其中:
所述下采样层,用于通过卷积和下采样,提取浅层特征;
所述上采样层,用于通过卷积和上采样,基于所述浅层特征,提取深层特征;
所述跳跃连接层,用于将所述浅层特征和所述深层特征进行融合,确定融合特征,并对所述融合特征进行预测分割。
在本发明实施例中,构建轻量化网络模型的结构,实现多种特征识别、特征融合的目的,达到预测分割的效果。
在本发明一个具体的实施例中,结合图6来看,图6为本发明提供的轻量化网络模型一实施例的网络结构,输入图像经过一系列编码和解码输出分割结果。网络结构主要为三部分,下采样、上采样和跳跃连接。左边Encoder通过卷积和下采样来减低图像尺寸提取浅层特征,右边Decoder通过卷积和上采样获取深层特征。通过跳跃连接将编码阶段获得的浅层特征同解码阶段获得的深层特征融合,细化图像,根据得到的feature map进行预测分割。
作为优选的实施例,结合图7来看,图7为本发明提供的图2中步骤S3一实施例的流程示意图,上述步骤S3具体包括步骤S31至步骤S34,其中:
在步骤S31中,将单个麦穗的RGB图像数据输入至所述训练完备的轻量化网络模型,输出的预测病害程度等级,统计所述病害面积和所述患病小穗数;
在步骤S32中,根据所述病害面积和单个麦穗的总面积之比,确定所述感病面积比;
在步骤S33中,根据所述患病小穗数和单个麦穗的小穗总数之比,确定所述病小穗率;
在步骤S34中,分别根据单个麦穗的所述感病面积比和所述病小穗率,统计对应麦穗品种的平均严重度,并根据平均严重度,确定综合严重度,基于综合严重度,确定总体麦穗对赤霉病的所述抗性水平。
在本发明实施例中,利用轻量级卷积神经网络训练模型识别小麦图像中的麦穗部分及感病部分,基于其中的病害信息进行相应的运算,以此评判小麦的患病情况。需要说明的是,步骤S32和步骤S33是并行执行,分别确定感病面积比和病小穗率,进而分别统计对应的平均严重度,结合两方面计算的平均严重度,计算出对应的综合严重度(包括但不限于加权的计算方式),最后,基于综合严重度,确定该品种麦穗对赤霉病的抗性水平。
在本发明一个具体的实施例中,通过轻量级卷积神经网络训练模型,分割小麦图像中的麦穗部分及感病部分,经过两种算法运算得出小麦感染赤霉病害的严重度信息,对不同品种小麦进行赤霉病抗性鉴定。第一种算法为计算检测出的染病部分面积占麦穗总面积的百分比,第二种为计算检测出的患病麦穗的小穗数量占该麦穗总小穗数的比例。本发明将轻量化的模型封装入软件中,用户使用配套的移动拍摄固定设备辅助拍摄,通过图形界面操作拍摄目标小麦图像即可得到所需病害信息。
其中,在样本获取的过程中,在小麦生长扬花初期,采用穗部接种的方法对不同品种的小麦样本接种病菌,在接菌后的第15天进行图像采集。根据以下的评价指标,当感病对照品种达到严重度3级以上,该批抗性鉴定材料才视为有效;
其中,单个麦穗的严重度评价指标,参见表1和表2:
感病面积比=患病区域面积/麦穗总面积
病小穗率=患病小穗数/小穗总数
表1
严重度分级 | 感病面积比 |
0 | 感病面积=0 |
1 | 0%<感病面积≤5% |
2 | 5%<感病面积≤25% |
3 | 25%<感病面积≤50% |
4 | 50%<感病面积≤100% |
表2
严重度分级 | 病穗率 |
0 | 病穗率=0 |
1 | 0%<病穗率≤5% |
2 | 5%<病穗率≤25% |
3 | 25%<病穗率≤50% |
4 | 50%<病穗率≤100% |
其中,抗性综合评价为依据鉴定品种的各麦穗的平均严重度确定该品种对赤霉病的抗性水平,标注如下表:
表3
需要说明的是,在一个具体的应用场景中,首先,为了确保获取到高质量的图片数据,最大程度对病害信息进行保留,考虑到不同光源情况下拍摄对象的被阴影遮挡、拍摄背景不同带来的影响,需要特制的拍摄装备来辅助拍摄,最大程度地控制环境变量不变。同时拍摄方案统一的情况下,特制的轻量化装备也能方便快捷地进行拍摄。获取到高质量的原始图像信息,从而使得模型能够对小麦赤霉病害进行准确的判断;
其次,针对服务器资源的利用效率及病害信息分析结果反馈的即时性等问题,本发明也能很好地解决。模型的构建问题,本发明针对小麦赤霉病害,收集了大量患该病害的小麦图像,覆盖了完全的病害程度和抗病性等级,在云端服务器一次性训练好模型,嵌入应用程序中,使用时可直接调用,无需再次对模型参数进行修改。本发明以轻量化的应用程序的形式呈现,用户下载到手机上即可使用,利用配套的移动拍照设备,可便捷地获取目标图像,从而即时获取病害信息;
最后,本发明将模型及图像处理算法封装于手机应用程序中,用户仅需在图形界面进行简单的交互操作即可得到所需信息。适用于不同环境下小麦赤霉病抗性的鉴定,使用便利可供广泛应用。
本发明实施例还提供了一种小麦赤霉病的抗性鉴定装置,结合图8来看,图8为本发明提供的小麦赤霉病的抗性鉴定装置一实施例的结构示意图,小麦赤霉病的抗性鉴定装置800包括:
获取单元801,用于获取小麦的RGB图像数据;;
处理单元802,用于将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
识别单元803,用于根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
小麦赤霉病的抗性鉴定装置的各个单元的更具体实现方式可以参见对于本小麦赤霉病的抗性鉴定方法的描述,且具有与之相似的有益效果,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如上所述的小麦赤霉病的抗性鉴定方法。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如上所述的小麦赤霉病的抗性鉴定方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备,可以参照根据本发明实现如上所述的小麦赤霉病的抗性鉴定方法具体描述的内容实现,并具有与如上所述的小麦赤霉病的抗性鉴定方法类似的有益效果,在此不再赘述。
本发明公开了一种小麦赤霉病的抗性鉴定方法及装置,首先,对小麦的RGB图像数据进行有效的获取;然后,利用训练完备的轻量化网络模型,对图像中的特征进行相应的识别,确定图像中反馈的病害信息;最后,利用从RGB图像识别的病害信息,确定小麦感染赤霉病害的严重度信息,无需人工识别,仅利用训练好的模型,对图像信息进行识别即可。
本发明技术方案,通过设计配套的拍摄设备,快速获取到小麦高质量图像信息。相较于现有技术创造性地将需要运行在电脑端的网络模型轻量化处理后嵌入到移动应用程序中,从而迅速预测并反馈高准确度的小麦赤霉病抗性鉴定结果,大大降低了学***均严重度,可用于该小麦品种对赤霉病的抗性综合评价,上述算法可集成于手机应用中,以便提高小麦赤霉病抗性田间鉴定的工作效率和准确率。上述软件及设备的学习和使用成本的降低,使得这项技术可以轻易地应用到实际农业领域,提高不同品种小麦对赤霉病害的抗性鉴定速度及准确度,优化抗病品种培育的进程,有利于控制病害的蔓延,减少产量损失,将创造极大的经济价值。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种小麦赤霉病的抗性鉴定方法,其特征在于,包括:
获取小麦的RGB图像数据;
将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
2.根据权利要求1所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述轻量化网络模型的训练过程,包括:
获取包含标注信息的多种RGB样本图像,形成样本图片数据集,其中,所述标注信息为对应的实际病害程度等级;
将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级,其中,所述预测病害程度等级包括预测病害程度和预测抗病性等级;
根据所述预测病害程度等级和所述实际病害程度等级,对所述轻量化网络模型进行训练至收敛,确定训练完备的轻量化网络模型。
3.根据权利要求2所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述RGB样本图像包括摄像设备拍摄的高质量图像、手持设备拍摄的手持设备图像以及主流植物图像的公共数据图像。
4.根据权利要求3所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级之前,还包括:对所述高质量图像、所述手持设备图像、所述公共数据图像进行预处理,实现自动化图像增强。
5.根据权利要求3所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述将所述样本图片数据集输入至预设大型网络,输出预测病害程度等级,包括:
基于所述样本图片数据集中的所述高质量图像、所述手持设备图像和所述公共数据图像,采用所述预设大型网络进行预训练,确定预训练网络;
利用所述样本图片数据集中的所述高质量图像和所述手持设备图像,对所述预训练网络进行进一步训练,确定高准确率模型,输出所述预测病害程度等级。
6.根据权利要求5所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述根据所述预测病害程度等级和所述实际病害程度等级,对所述轻量化网络模型进行训练至收敛,确定所述轻量化网络模型,包括:
采用知识蒸馏方式,根据所述预测病害程度等级和所述实际病害程度等级,将所述高准确率模型的网络性能转移至所述轻量化网络;
根据所述手持设备图像,对所述轻量化网络进行微调,并进行模型剪枝,确定所述训练完备的轻量化网络模型。
7.根据权利要求1所述的小麦赤霉病的抗性鉴定方法,其特征在于,将所述训练完备的轻量化网络模型部署在移动平台上。
8.根据权利要求1所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述轻量化网络模型的网络结构包括下采样层、上采样层和跳跃连接层,其中:
所述下采样层,用于通过卷积和下采样,提取浅层特征;
所述上采样层,用于通过卷积和上采样,基于所述浅层特征,提取深层特征;
所述跳跃连接层,用于将所述浅层特征和所述深层特征进行融合,确定融合特征,并对所述融合特征进行预测分割。
9.根据权利要求1所述的小麦赤霉病的抗性鉴定方法,其特征在于,所述病害信息包括小麦的病害面积和患病小穗数,所述严重度信息包括感病面积比、病小穗率,所述根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定,包括:
将单个麦穗的RGB图像数据输入至所述训练完备的轻量化网络模型,输出的预测病害程度等级,统计所述病害面积和所述患病小穗数;
根据所述病害面积和单个麦穗的总面积之比,确定所述感病面积比;
根据所述患病小穗数和单个麦穗的小穗总数之比,确定所述病小穗率;
分别根据单个麦穗的所述感病面积比和所述病小穗率,统计对应麦穗品种的平均严重度,并根据平均严重度,确定综合严重度,基于综合严重度,确定总体麦穗对赤霉病的所述抗性水平。
10.一种小麦赤霉病的抗性鉴定装置,其特征在于,包括:
获取单元,用于获取小麦的RGB图像数据;
处理单元,用于将所述RGB图像数据输入至训练完备的轻量化网络模型中,输出对应的病害信息;
识别单元,用于根据所述病害信息,确定小麦感染赤霉病害的严重度信息,以进行抗性鉴定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111286492.1A CN114067202A (zh) | 2021-11-01 | 2021-11-01 | 一种小麦赤霉病的抗性鉴定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111286492.1A CN114067202A (zh) | 2021-11-01 | 2021-11-01 | 一种小麦赤霉病的抗性鉴定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067202A true CN114067202A (zh) | 2022-02-18 |
Family
ID=80236456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111286492.1A Pending CN114067202A (zh) | 2021-11-01 | 2021-11-01 | 一种小麦赤霉病的抗性鉴定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
-
2021
- 2021-11-01 CN CN202111286492.1A patent/CN114067202A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523866A (zh) * | 2023-04-26 | 2023-08-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
CN116523866B (zh) * | 2023-04-26 | 2023-12-01 | 扬州大学 | 一种小麦赤霉病抗性鉴定方法、***、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3968179A1 (en) | Place recognition method and apparatus, model training method and apparatus for place recognition, and electronic device | |
CN110084202B (zh) | 一种基于高效三维卷积的视频行为识别方法 | |
CN113365147B (zh) | 基于音乐卡点的视频剪辑方法、装置、设备及存储介质 | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
US11461995B2 (en) | Method and apparatus for inspecting burrs of electrode slice | |
CN112132197A (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
CN115131627B (zh) | 一种轻量化植物病虫害目标检测模型的构建和训练方法 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断***与方法 | |
CN113689382A (zh) | 基于医学影像和病理图像的肿瘤术后生存期预测方法及*** | |
CN115713715A (zh) | 一种基于深度学习的人体行为识别方法及识别*** | |
WO2022143811A1 (zh) | 一种生存力评估方法、装置、评估设备及存储介质 | |
CN114067202A (zh) | 一种小麦赤霉病的抗性鉴定方法及装置 | |
CN112925470B (zh) | 交互式电子白板的触摸控制方法、***和可读介质 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN112084913B (zh) | 一种端到端的人体检测与属性识别方法 | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
Li et al. | Detection and identification of peach leaf diseases based on YOLO v5 improved model | |
CN116912187A (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 | |
CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN116958852A (zh) | 视频与文本的匹配方法、装置、电子设备和存储介质 | |
CN115908969A (zh) | 图像处理及模型训练的方法和设备 | |
CN115049901A (zh) | 一种基于特征图加权注意力融合的小目标检测方法及设备 | |
CN112990892A (zh) | 一种用于教学考评的视频信息采集方法及图像处理*** | |
CN113592074A (zh) | 一种训练方法、生成方法及装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |