CN115760775A - 番茄病害检测方法、装置、设备及存储介质 - Google Patents
番茄病害检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115760775A CN115760775A CN202211454991.1A CN202211454991A CN115760775A CN 115760775 A CN115760775 A CN 115760775A CN 202211454991 A CN202211454991 A CN 202211454991A CN 115760775 A CN115760775 A CN 115760775A
- Authority
- CN
- China
- Prior art keywords
- data set
- tomato
- training
- model
- disease detection
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及计算机视觉检测技术领域,公开了一种番茄病害检测方法、装置、设备及存储介质,所述方法包括:对原始番茄叶片图像数据集扩充,得到扩充数据集;对扩充数据集进行特征标注;将标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集;将检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;根据目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。通过上述方式,图像数据集标注,YOLOv3快速训练,处理图像,快速训练迁移学习得到高准确率番茄病害检测模型,从而能够提高了模型的训练速率和检测的时间。
Description
技术领域
本发明涉及计算机视觉检测技术领域,尤其涉及一种番茄病害检测方法、装置、设备及存储介质。
背景技术
近年来,随着机器学习的不断发展壮大,将机器学习与农业结合越来越普遍。对农作物病害识别也从传统方法慢慢过度到机器学习相关方法。对于传统网络,比如GoogLeNet、AlexNet和ResNet系列等,主要存在三个问题:第一:传统卷积神经网络的层数往往比较深或者体积比较大,训练识别起来比较费时;第二:传统卷积神经网络数据集只是通过简单的图像增强和图像裁剪扩充,主体特征并无改变,训练效果较差,准确率不高;第三:传统的卷积神经网络严重依赖于pc端,对于低配置的移动端可移植性较差,不能对病害图片实时检测。所以,针对番茄病害检测技术现存问题的创新性研究有着重大的研究意义。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种番茄病害检测方法、装置、设备及存储介质,旨在解决现有技术中传统卷积神经网络的层数往往比较深或者体积比较大,训练识别起来比较费时,只是对图像简单裁剪,训练效果差,准确率不高的问题。
为实现上述目的,本发明提供了一种番茄病害检测方法,所述番茄病害检测方法包括以下步骤:
获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集;
对所述扩充数据集进行特征标注,获取标注后的扩充数据集;
将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集,所述结果数据集包括:训练数据集和验证数据集;
将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;
根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
可选地,所述获取原始番茄叶片图像数据集,包括:
通过公开数据集和网页爬虫的方式获取番茄叶片数据集;
把对所述番茄叶片数据集进行分类,得到设有分类标签的原始番茄叶片图像数据集,其中,所述分类标签至少包括番茄健康叶片图片、番茄早疫病图片、番茄细菌性斑疹病图片、番茄晚疫病图片、番茄叶霉病图片、番茄斑枯病图片、番茄红蜘蛛病图片、番茄褐斑病图片、番茄花叶病图片以及番茄黄化曲叶病图片。
可选地,所述对所述原始番茄叶片图像数据集扩充,得到扩充数据集,包括:
对所述原始番茄叶片图像数据集进行几何变换和色彩空间变换,得到扩充数据集,其中,所述几何变换至少包括平移,水平翻转,上下翻转,旋转,放大以及缩小,所述色彩空间变换至少包括增加亮度和降低亮度。
可选地,所述YOLOv3SPP模型包括:Darknet53网络,FPN网络,Yolo Head网络和SPP结构;
所述将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,包括:
将所述标注后的扩充数据集输入YOLOv3SSP网络模型;
经过SSP结构通过Darknet53网络进行尺度特征融合,Yolo Head网络通过FPN网络融合算法的三个scale的特征层做检测,获取子元素目标坐标;
通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理。
可选地,所述通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理,包括:
获取TensorFlow模型权重,根据TensorFlow模型权重将图片进行分布转化,再按照特定比例划分成训练集和验证集。
可选地,所述将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型,包括:
将训练集和验证集输入MobileNetV2网络模型,其中,所述MobileNetV2网络模型包括卷积层、池化层,两层全连接层以及输出层,所述输出层采用Softmax函数分类;
将训练集和验证集输入MobileNetV2网络模型中的卷积层进行卷积,并将卷积后的特征样本通过所述池化层进行平均池化下采样,得到池化后的采样样本,将所述采样样本以及通过YOLOv3 SSP网络模型训练处理的检测结果数据集通过两层全连接层进行迁移学习,并通过所述Softmax函数进行分类输出;
依次进行多次迭代训练,获取模型损失函数;
在模型损失函数收敛的情况下,得到目标番茄病害检测模型。
可选地,所述将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型之后,还包括:
根据批量算法计算网络误差和更新权重;
根据所述网络误差和更新权重更新所述目标番茄病害检测模型。
此外,为实现上述目的,本发明还提出一种番茄病害检测的装置,所述番茄病害检测的装置包括:
获取模块,用于获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集;
所述获取模块,还用于对所述扩充数据集进行特征标注,获取标注后的扩充数据集;
训练模块,用于将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集;
所述训练模块,还用于将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;
检测模块,用于根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
此外,为实现上述目的,本发明还提出一种番茄病害检测的设备,所述番茄病害检测的设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的番茄病害检测的程序,所述番茄病害检测的程序配置为实现如上文所述的番茄病害检测的方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有番茄病害检测的程序,所述番茄病害检测的程序被处理器执行时实现如上文所述的番茄病害检测的方法。
本发明提出的番茄病害检测方法,通过获取原始番茄叶片图像数据集,对原始番茄叶片图像数据集扩充,得到扩充数据集;对扩充数据集进行特征标注,获取标注后的扩充数据集;将标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,得到检测结果数据集;将检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;根据目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。通过上述方式,图像数据集标注,YOLOv3快速训练,处理图像,快速训练迁移学习得到高准确率番茄病害检测模型,从而能够提高了模型的训练速率和检测的时间。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的番茄病害检测设备的结构示意图;
图2为本发明番茄病害检测方法第一实施例的流程示意图;
图3为本发明番茄病害检测方法一实施例的YOLOv3SPP网络模型结构图;
图4为本发明番茄病害检测方法一实施例的MobileNet v2结合迁移学习流程图;
图5为本发明番茄病害检测方法一实施例的四种模型训练结果对比图;
图6为本发明番茄病害检测方法一实施例的卷积神经网络训练过程中准确率的变化曲线图;
图7为本发明番茄病害检测方法第二实施例的流程示意图;
图8为本发明番茄病害检测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的番茄病害检测设备结构示意图。
如图1所示,该番茄病害检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对番茄病害检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及番茄病害检测程序。
在图1所示的番茄病害检测设备中,网络接口1004主要用于与网络一体化平台工作站进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明番茄病害检测设备中的处理器1001、存储器1005可以设置在番茄病害检测设备中,所述番茄病害检测设备通过处理器1001调用存储器1005中存储的番茄病害检测程序,并执行本发明实施例提供的番茄病害检测方法。
基于上述硬件结构,提出本发明番茄病害检测方法实施例。
参照图2,图2为本发明番茄病害检测方法第一实施例的流程示意图。
在第一实施例中,所述番茄病害检测方法包括以下步骤:
步骤S10,获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集。
需要说明的是,本实施例的执行主体为移动终端检测设备,指用于实现数据采集模型训练功能的设备,本实施例对此不作限制。
可以理解的是,原始番茄叶片图像数据集指的是在经过爬虫获取后的完整番茄叶片原始样本的数据集。扩充数据集指的是在原始番茄叶片图像数据集的基础上,对其进行图像处理操作,将扩充数据并入原始番茄叶片图像数据集得到扩充数据集。
进一步的,步骤S10,包括:通过公开数据集和网页爬虫的方式获取番茄叶片数据集;把对所述番茄叶片数据集进行分类,得到设有分类标签的原始番茄叶片图像数据集。
可理解的是,通过公开数据集和网页爬虫的方式获取番茄叶片数据集是由于要获得足够的原始番茄样本,因此在经过大量数据获取后,对原始样本扩张能获取足够多的基础训练样本。而公开数据集可以在飞浆平台获取,飞浆平台是基于百度深度学***台,提供了功能强大的线上训练环境以及存储资源。同时可以通过service库,爬取瀑布流网页源码数据集。
应当理解的是,对把对所述番茄叶片数据集进行分类指的是对原始番茄叶片的数据集中有病害的番茄叶片数据进行分类。所述分类标签至少包括番茄健康叶片图片、番茄早疫病图片、番茄细菌性斑疹病图片、番茄晚疫病图片、番茄叶霉病图片、番茄斑枯病图片、番茄红蜘蛛病图片、番茄褐斑病图片、番茄花叶病图片以及番茄黄化曲叶病图片。
进一步的,步骤S10,包括:对所述原始番茄叶片图像数据集进行几何变换和色彩空间变换,得到扩充数据集。
可以理解的是,几何变换指的是对原始番茄叶片图像数据集中的所有子集进行几何处理,本实施例中的几何处理包括:平移,水平翻转,上下翻转,旋转,放大以及缩小。色彩空间变换指的是增加亮度和降低亮度。通过色彩空间转换的函数,输入转换的图片和转换的模式作为参数自动进行色彩空间转换。获取到几何处理后的数据集,将此数据集拼接到原始番茄叶片图像数据集。
步骤S20,对所述扩充数据集进行特征标注,获取标注后的扩充数据集。
可以理解的是,使用大众数据集训练的网络,可能对自己的数据并没有很好的测试结果,因此就需要自己创建的数据集。而自己创建的数据集则需要进行数据集的标注,特征标注指的是对原始番茄叶片图像某一区域特征通过labelImg进行标注,标注完成后获取扩充数据集。例如:通过labelImg打开数据集文件中某一番茄叶片图像,当前叶片如果是病害叶片,则对其进行快捷键框选标注特征,并将一标注后的番茄叶片图像存储至扩充数据集。
步骤S30,将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集。
可以理解的是,YOLOv3指的是一个目标检测算法,YOLOv3SSP模型包括Darknet53网络,FPN网络,Yolo Head网络和SPP结构。其中Darknet53网络包含53个卷积层,每个后面跟随batch normalization层和leakyReLU Layer层;FPN网络包含upsample和融合算法,融合算法包含三个scale;Yolo Head网络就是在每个scale的预测特征层做检测。其中SPP结构加在第一个预测特征层前,实现不同尺度特征融合。
进一步地,步骤S30,包括:将所述标注后的扩充数据集输入YOLOv3SSP网络模型;经过SSP结构通过Darknet53网络进行尺度特征融合,Yolo Head网络通过FPN网络融合算法的三个scale的特征层做检测,获取子元素目标坐标;通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理。
应当理解的是,如图3所示,DarkNet53指的是是代表53层卷积层,其中卷积层里面夹杂残差结构,不断堆叠,最后通过平均池化下采样,全连接层和softmax分类函数结束;第一个Convolutional是卷积核个数为512,特征层是1×1的卷积层。Convolutional层为卷积层、BN层和激活函数LeakyRelu;Spp分为四个分支,第一个分支直接由输入接入到输出,第二个分支是池化核为5×5的最大池化下采样,第三个分支是9×9的最大池化下采样,第四个分支是13×13最大池化下采样;Concatenate指的是拼接特征图片,实现不同尺度图片的特征融合,经Yolo Head网络获取三个不同尺度的特征图。通过获取不同尺度特征图的子元素坐标。
进一步的,步骤S30,包括:获取TensorFlow模型权重,根据TensorFlow模型权重将图片进行分布转化,再按照特定比例划分成训练集和验证集。
可以理解的是,通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集并对此数据集进行预处理,例如:数据预处理包括,将数据集裁剪成224*224格式大小;做和TensorFlow模型权重一样的预处理,将图片从[0,255]分布转化到[0,1]之间,然后减去0.5,最后再乘以2;按照9:1划分成训练集和验证集。
步骤S40,将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型。
应当理解的是,迁移学习指的是当一种网络模型无法准确检测数据时需要结合另一种网络模型检测。当在数据集上某一训练模型,并期望它在同一个任务和域中的未知数据上检测准确。在另一种情况下,当给定一些任务或域的数据时,还需要可以用来另一训练模型的带有标签特征的数据,这些数据要属于同一个任务和域,这样才能预期能在这个数据集上检测准确。例如:在识别某一番茄叶片时,识别其颜色特征,而现有模型只能识别其颜色特征,无法识别其形状特征,通过迁移学习另一模型训练其识别形状特征,在原有训练模型的基础上,可以识别两种相同特征。
进一步的,步骤S40,包括:将训练集和验证集输入MobileNetV2网络模型,其中,所述MobileNetV2网络模型包括卷积层、池化层,两层全连接层以及输出层,所述输出层采用Softmax函数分类;将训练集和验证集输入MobileNetV2网络模型中的卷积层进行卷积,并将卷积后的特征样本通过所述池化层进行平均池化下采样,得到池化后的采样样本,将所述采样样本以及通过YOLOv3 SSP网络模型训练处理的检测结果数据集通过两层全连接层进行迁移学习,并通过所述Softmax函数进行分类输出;依次进行多次迭代训练,获取模型损失函数;在模型损失函数收敛的情况下,得到目标番茄病害检测模型。
可以理解的是,MobileNet v2网络模型首先通过一层卷积层,接着不断通过DW卷积,平均池化下采样,最后通过类似于全连接层的卷积层输出。迁移学***均池化下采样,Dropout指的是随机失活,为了防止数据过拟合,Fc为全连接层,将数据展平处理,Softmax指的是分类函数。
步骤S50,根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
可以理解的是,在生成目标番茄病害检测模型后,将番茄叶片图像输入目标番茄病害检测模型,获取当前番茄病害检测结果。同时分别采用现有技术中比较通用的三种模型进行对样本进行病害识别,例如:ResNet 50、GoogLeNet和VGG16模型,并对结果进行对比。相对于Resnet 50、GoogLeNet和VGG16三种模型。如图5所示,本实施例的模型在训练集还是验证集的准确率和损失值都优于其它三种模型,且MobileNetV2模型训练时间明显更少。本发明的模型的验证集准确率比传统的VGG16模型高了1.21%,训练时间是vgg网络的1/14。通过对比,本发明中的网络模型能在较短的训练时间情况下,准确率最高可达到93.67%。在进行多个模型训练时,获得的4种卷积神经网络训练过程中准确率的变化曲线图如图6所示。
本实施例通过获取原始番茄叶片图像数据集,对原始番茄叶片图像数据集扩充,得到扩充数据集;对扩充数据集进行特征标注,获取标注后的扩充数据集;将标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,得到检测结果数据集;将检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;根据目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。通过上述方式,图像数据集标注,YOLOv3快速训练,处理图像,快速训练迁移学习得到高准确率番茄病害检测模型,从而能够提高了模型的训练速率和检测的时间。
在第一实施例中,如图7所述,番茄病害检测方法第二实施例,所述步骤S40,包括:
步骤S410,根据批量算法计算网络误差和更新权重。
应当理解的是,批量算法指的是指深度学习训练中,使用一个以上,而又不是全部的训练样本的优化算法,或指使用所有训练集的优化算法,本实施例中采用批量算法是为了得到更加准确的数据。神经网络包含神经元,权重指的是每个神经元之间的连接强度,权重越大可能性就越大。
步骤S420,根据所述网络误差和更新权重更新所述目标番茄病害检测模型。
可以理解的是,网络误差指的是经批量算法计算后得出的神经网络误差,通过设置参数batch设置16,epochs设置50,学习率设置0.0005,并输入所有数据集样本,在所有样本输入之后,计算网络的总误差,再根据总误差更新权重,其中batch指的是批量值,在数据集输入模型时需要将数据集分割为批量输入,epochs指的是迭代次数。通过误差更新权重后可以获得更新后的目标番茄病害检测模型。
本实施例通过根据批量算法计算网络误差和更新权重;根据所述网络误差和更新权重更新所述目标番茄病害检测模型。通过上述方式,迭代更新目标神经网络的权重从而提高目标番茄检测模型的检测准确度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有番茄病害检测程序,所述番茄病害检测程序被处理器执行时实现如上文所述的番茄病害检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图8,本发明实施例还提出一种番茄病害检测装置,所述番茄病害检测装置包括:
获取模块10,用于获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集。
所述获取模块10,还用于对所述扩充数据集进行特征标注,获取标注后的扩充数据集。
训练模块20,用于将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集。
所述训练模块20,还用于将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型。
检测模块30,用于根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
本实施例通过获取原始番茄叶片图像数据集,对原始番茄叶片图像数据集扩充,得到扩充数据集;对扩充数据集进行特征标注,获取标注后的扩充数据集;将标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,得到检测结果数据集;将检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;根据目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。通过上述方式,图像数据集标注,YOLOv3快速训练,处理图像,快速训练迁移学习得到高准确率番茄病害检测模型,从而能够提高了模型的训练速率和检测的时间。
在本实施例中,所述获取模块10,还用于通过公开数据集和网页爬虫的方式获取番茄叶片数据集;把对所述番茄叶片数据集进行分类,得到设有分类标签的原始番茄叶片图像数据集。
在本实施例中,所述获取模块10,还用于对所述原始番茄叶片图像数据集进行几何变换和色彩空间变换,得到扩充数据集。
在本实施例中,所述训练模块20,还用于将所述标注后的扩充数据集输入YOLOv3SSP网络模型;经过SSP结构通过Darknet53网络进行尺度特征融合,Yolo Head网络通过FPN网络融合算法的三个scale的特征层做检测,获取子元素目标坐标;通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理。
在本实施例中,所述训练模块20,还用于获取TensorFlow模型权重,根据TensorFlow模型权重将图片进行分布转化,再按照特定比例划分成训练集和验证集。
在本实施例中,所述检测模块20,还用于将训练集和验证集输入MobileNetV2网络模型,其中,所述MobileNetV2网络模型包括卷积层、池化层,两层全连接层以及输出层,所述输出层采用Softmax函数分类;将训练集和验证集输入MobileNetV2网络模型中的卷积层进行卷积,并将卷积后的特征样本通过所述池化层进行平均池化下采样,得到池化后的采样样本,将所述采样样本以及通过YOLOv3 SSP网络模型训练处理的检测结果数据集通过两层全连接层进行迁移学习,并通过所述Softmax函数进行分类输出;依次进行多次迭代训练,获取模型损失函数;在模型损失函数收敛的情况下,得到目标番茄病害检测模型。
在本实施例中,所述检测模块20,还用于据批量算法计算网络误差和更新权重;根据所述网络误差和更新权重更新所述目标番茄病害检测模型。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的番茄病害检测方法,此处不再赘述。
本发明所述番茄病害检测装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,一体化平台工作站,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种番茄病害检测方法,其特征在于,所述方法包括:
获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集;
对所述扩充数据集进行特征标注,获取标注后的扩充数据集;
将所述标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,得到检测结果数据集,所述结果数据集包括:训练数据集和验证数据集;
将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;
根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
2.如权利要求1所述的方法,其特征在于,所述获取原始番茄叶片图像数据集,包括:
通过公开数据集和网页爬虫的方式获取番茄叶片数据集;
把对所述番茄叶片数据集进行分类,得到设有分类标签的原始番茄叶片图像数据集,其中,所述分类标签至少包括番茄健康叶片图片、番茄早疫病图片、番茄细菌性斑疹病图片、番茄晚疫病图片、番茄叶霉病图片、番茄斑枯病图片、番茄红蜘蛛病图片、番茄褐斑病图片、番茄花叶病图片以及番茄黄化曲叶病图片。
3.如权利要求1所述的方法,其特征在于,所述对所述原始番茄叶片图像数据集扩充,得到扩充数据集,包括:
对所述原始番茄叶片图像数据集进行几何变换和色彩空间变换,得到扩充数据集,其中,所述几何变换至少包括平移,水平翻转,上下翻转,旋转,放大以及缩小,所述色彩空间变换至少包括增加亮度和降低亮度。
4.如权利要求1所述的方法,其特征在于,所述YOLOv3 SPP模型包括:Darknet53网络,FPN网络,Yolo Head网络和SPP结构;
所述将所述标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,包括:
将所述标注后的扩充数据集输入YOLOv3 SSP网络模型;
经过SSP结构通过Darknet53网络进行尺度特征融合,Yolo Head网络通过FPN网络融合算法的三个scale的特征层做检测,获取子元素目标坐标;
通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理。
5.如权利要求4所述的方法,其特征在于,所述通过openvc对所述子元素目标坐标进行裁剪,获取裁剪后的结果数据集,对所述结果数据集进行预处理,包括:
获取TensorFlow模型权重,根据TensorFlow模型权重将图片进行分布转化,再按照特定比例划分成训练集和验证集。
6.如权利要求1所述的方法,其特征在于,所述将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型,包括:
将训练集和验证集输入MobileNetV2网络模型,其中,所述MobileNetV2网络模型包括卷积层、池化层,两层全连接层以及输出层,所述输出层采用Softmax函数分类;
将训练集和验证集输入MobileNetV2网络模型中的卷积层进行卷积,并将卷积后的特征样本通过所述池化层进行平均池化下采样,得到池化后的采样样本,将所述采样样本以及通过YOLOv3 SSP网络模型训练处理的检测结果数据集通过两层全连接层进行迁移学习,并通过所述Softmax函数进行分类输出;
依次进行多次迭代训练,获取模型损失函数;
在模型损失函数收敛的情况下,得到目标番茄病害检测模型。
7.如权利要求1至6中任一项所述的方法,其特征在于,所述将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型之后,还包括:
根据批量算法计算网络误差和更新权重;
根据所述网络误差和更新权重更新所述目标番茄病害检测模型。
8.一种番茄病害检测装置,其特征在于,所述番茄病害检测装置包括:
获取模块,用于获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集;
所述获取模块,还用于对所述扩充数据集进行特征标注,获取标注后的扩充数据集;
训练模块,用于将所述标注后的扩充数据集通过YOLOv3 SSP网络模型训练处理,得到检测结果数据集;
所述训练模块,还用于将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;
检测模块,用于根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
9.一种番茄病害检测设备,其特征在于,所述番茄病害检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的番茄病害检测的程序,所述番茄病害检测的程序配置为实现如权利要求1至7中任一项所述的番茄病害检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有番茄病害检测的程序,所述番茄病害检测的程序被处理器执行时实现如权利要求1至7任一项所述的番茄病害检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454991.1A CN115760775A (zh) | 2022-11-21 | 2022-11-21 | 番茄病害检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454991.1A CN115760775A (zh) | 2022-11-21 | 2022-11-21 | 番茄病害检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760775A true CN115760775A (zh) | 2023-03-07 |
Family
ID=85333463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211454991.1A Pending CN115760775A (zh) | 2022-11-21 | 2022-11-21 | 番茄病害检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、***及存储介质 |
-
2022
- 2022-11-21 CN CN202211454991.1A patent/CN115760775A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011688A (zh) * | 2023-07-11 | 2023-11-07 | 广州大学 | 一种水下结构病害的识别方法、***及存储介质 |
CN117011688B (zh) * | 2023-07-11 | 2024-03-08 | 广州大学 | 一种水下结构病害的识别方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657602B2 (en) | Font identification from imagery | |
JP7185039B2 (ja) | 画像分類モデルの訓練方法、画像処理方法及びその装置、並びにコンピュータプログラム | |
CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
US11367271B2 (en) | Similarity propagation for one-shot and few-shot image segmentation | |
CN109902548B (zh) | 一种对象属性识别方法、装置、计算设备及*** | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN106021990B (zh) | 一种将生物基因以特定的性状进行分类与自我识别的方法 | |
CN112560980A (zh) | 目标检测模型的训练方法、装置及终端设备 | |
Zhang et al. | Hand Gesture recognition in complex background based on convolutional pose machine and fuzzy Gaussian mixture models | |
WO2022236824A1 (zh) | 目标检测网络构建优化方法、装置、设备、介质及产品 | |
CN108255706A (zh) | 自动化测试脚本的编辑方法、装置、终端设备及存储介质 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN113657087B (zh) | 信息的匹配方法及装置 | |
CN115424101A (zh) | 病害识别方法、装置、设备及存储介质 | |
CN115760775A (zh) | 番茄病害检测方法、装置、设备及存储介质 | |
CN107274425B (zh) | 一种基于脉冲耦合神经网络的彩色图像分割方法及装置 | |
US20230004816A1 (en) | Method of optimizing neural network model and neural network model processing system performing the same | |
CN116229066A (zh) | 人像分割模型的训练方法及相关装置 | |
CN113496148A (zh) | 一种多源数据融合方法及*** | |
CN113449840A (zh) | 神经网络训练方法及装置、图像分类的方法及装置 | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN111598093B (zh) | 图片中文字的结构化信息生成方法、装置、设备及介质 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
WO2023197910A1 (zh) | 一种用户行为预测方法及其相关设备 | |
CN109886105B (zh) | 基于多任务学习的价格牌识别方法、***及存储介质 |
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 |