开云优惠体育网页版入口

专利名称：一种智能化枸杞病虫害图像识别方法

专利类型：发明专利

专利申请号：CN202410494876.X

专利申请（专利权）人：宁夏农林科学院农业经济与信息技术研究所
权利人地址：宁夏回族自治区银川市金凤区黄河东路590号

专利发明（设计）人：李季,杨淑婷,马聪,张建华,王梓懿,陈学东,刘俭,海云瑞,冶鑫,梁爱银

专利摘要：本发明提供一种智能化枸杞病虫害图像识别方法,属于图像识别技术领域；确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组；对原始图像组进行预处理得到标准图像组，所述标准图像组包含不存在病虫害的枸杞图像和存在病虫害的枸杞图像；基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集；根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型；获取枸杞病虫害验证图像并输入到异常识别模型中获取异常识别结果，利用评估指标对所述异常识别模型性能评估，判断模型的有效性。实现对枸杞病虫害的准确识别和评估，提高了虫害病评估效率。

主权利要求：
1.一种智能化枸杞病虫害图像识别方法，其特征在于，包括：步骤1：确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组；
步骤2：对原始图像组进行预处理得到标准图像组，其中，所述标准图像组包含不存在病虫害的枸杞图像和存在病虫害的枸杞图像；
步骤3：基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集；
步骤4：根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型；
步骤5：获取枸杞验证图像并输入到异常识别模型中获取异常识别结果，并利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性；
其中，步骤4包括：
从枸杞图库中等比例抽取不同预设分析种类的枸杞病虫害图像，对各个种类的图像进行数据预处理，得到公开数据集；
利用集成学习与迁移学习方法拟定深度学习模型，并对所述公开数据集进行训练及识别；
根据训练结果和识别结果的对比差异，调整深度学习模型的全连接层，并将深度学习模型的特征提取部分作为特征提取器；
向所述特征提取器的性能参数拟定第一权重，同时，根据调整后的深度学习模型的训练结果和标准数据集的特征比较结果，且利用投票法向不同种类的识别过程设置第二权重；
将第一权重、第二权重以及调整后的深度学习模型进行集成，得到所述目标采集对象的异常识别模型；
其中，利用评估指标对所述异常识别模型进行性能评估之前，包括：提取所述异常识别模型中每个异常种类的异常网络识别层对所述枸杞验证图像所识别的异常特征y以及对应异常网络识别层的预设识别特征x，并计算异常特征y与预设识别特征x的相似值；
其中， 表示对应异常网络识别层的预设识别特征x与枸杞验证图像所存在的对应异常种类的异常特征y的相似值， 、 分别表示预设识别特征x和异常特征y的特征亮度均值， 分别表示预设识别特征x和异常特征y的特征亮度方差， 表示预设识别特征x和异常特征y的特征亮度协方差， 和 表示稳定常数；
其中，利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性，包括：统计相似值大于等于对应异常网络识别层的预设值的第一特征数量N1，同时，统计相似值小于对应异常网络识别层的预设值的第二特征数量N2，其中，评估指标为第一特征数量与第二特征数量；
基于第一特征数量N1以及第二特征数量N2，计算评价总得分S；
;
其中，1表示预设评价权重， 表示第一特征数量N1下的所有相似值的总和； 表示第一特征数量N1下的所有预设值的总和； 表示第二特征数量N2下的所有预设值的总和；
若所述评价总得分大于预设得分，则判断所述异常识别模型有效性高，反之，判定所述异常识别模型有效性不足并进行预警。
2.根据权利要求1所述的一种智能化枸杞病虫害图像识别方法，其特征在于，确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组，包括：根据枸杞植株及植株种类受到的病虫害类别，确定目标采集对象；
根据病虫害研究需求以及目标采集对象的特点，匹配采集设备，其中，所有采集设备构成环境信息数据采集系统；
基于所述采集设备采集所述目标采集对象的原始图像组。
3.根据权利要求1所述的一种智能化枸杞病虫害图像识别方法，其特征在于，对原始图像组进行预处理得到标准图像组的过程中，包括：对所述原始图像组进行数据增强生成增强图像组；
根据预设图像标准尺寸建立第一维度处理库，将所述增强图像组引入库中处理，若任一增强图像的横纵比不符合预设图像标准尺寸，则对相应增强图像进行填充以及剪裁操作，得到第一图像组。
4.根据权利要求3所述的一种智能化枸杞病虫害图像识别方法，其特征在于，得到第一图像组之后，还包括：对第一图像组的任一第一图像进行像素灰度处理得到灰度图像，并确定所述灰度图像中每个像素点的灰度值并基于值?级别映射表确定对应像素点的灰度级；
分别统计所述灰度图像中同个灰度级下像素点的数量，并按照灰度级的级别顺序构建灰度分布图；
确定所述灰度分布图的灰度均值 ；
;
;
其中， 表示第j个灰度级下的像素点在对应灰度图像中的概率密度分布值，n表示灰度级的数量， 表示第j个灰度级的级别值； 表示基于灰度分布图所确定的第j个灰度级的数量占比； 表示所确定的第j个灰度级在灰度分布图的出现位置权重；
表示所有 中的最大值； 表示所有 中的最大值； 表示所有 中的最大值；e表示常数，取值为2.7； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的平均值；max表示最大值符号； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的方差；
按照所述灰度均值将所述灰度图像的所有像素点去均值化处理，得到标准像素点，并构成对应第一图像的标准图像，进而构成标准图像组。
5.根据权利要求1所述的一种智能化枸杞病虫害图像识别方法，其特征在于，基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集，包括：从历史数据集中抽取若干与枸杞相关的图像，作为正向杂质过滤样本以及从所述历史数据集中抽取若干与非枸杞的无关的图像，作为负向杂质过滤样本；
搭建过滤识别网络，对所述正向杂质过滤样本以及负向杂质过滤样本进行过滤训练得到过滤模型；
将标准图像组导入所述过滤模型，筛选出符合枸杞病虫害的所有标准图像，作为标准数据集。 说明书 : 一种智能化枸杞病虫害图像识别方法技术领域[0001] 本发明涉及图像识别技术领域，尤其涉及一种智能化枸杞病虫害图像识别方法。背景技术[0002] 目前，对枸杞病虫害的主要是用目测诊断法，此方法依靠种植户以及农业技术人员的目测实地考察，此方法完全依赖于他们的专业专业水平与判断经验还有主观的差异性，导致对枸杞病虫害的识别准确率波动较大，稳定性很差。[0003] 因此，本发明提出了一种智能化枸杞病虫害图像识别方法。发明内容[0004] 本发明提供一种智能化枸杞病虫害图像识别方法，用以通过数据采集、预处理、模型构建和验证等步骤，利用集成学习与迁移学习方法提高了枸杞病虫害图像的识别准确率和效率。[0005] 一方面，本发明提供一种智能化枸杞病虫害图像识别方法，包括：[0006] 步骤1：确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组；[0007] 步骤2：对原始图像组进行预处理得到标准图像组，其中，所述标准图像组包含不存在病虫害的枸杞图像和存在病虫害的枸杞图像；[0008] 步骤3：基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集；[0009] 步骤4：根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型；[0010] 步骤5：获取枸杞验证图像并输入到异常识别模型中获取异常识别结果，并利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性。[0011] 另一方面，确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组，包括：[0012] 根据枸杞植株及植株种类受到的病虫害类别，确定目标采集对象；[0013] 根据病虫害研究需求以及目标采集对象的特点，匹配采集设备，其中，所有采集设备构成环境信息数据采集系统；[0014] 基于所述采集设备采集所述目标采集对象的原始图像组。[0015] 另一方面，对原始图像组进行预处理得到标准图像组的过程中，包括：[0016] 对所述原始图像组进行数据增强生成增强图像组；[0017] 根据预设图像标准尺寸建立第一维度处理库，将所述增强图像组引入库中处理，若任一增强图像的横纵比不符合预设图像标准尺寸，则对相应增强图像进行填充以及剪裁操作，得到第一图像组。[0018] 另一方面，得到第一图像组之后，还包括：[0019] 对第一图像组的任一第一图像进行像素灰度处理得到灰度图像，并确定所述灰度图像中每个像素点的灰度值并基于值?级别映射表确定对应像素点的灰度级；[0020] 分别统计所述灰度图像中同个灰度级下像素点的数量，并按照灰度级的级别顺序构建灰度分布图；[0021] 确定所述灰度分布图的灰度均值 ；[0022] ;[0023] ;[0024] 其中， 表示第j个灰度级下的像素点在对应灰度图像中的概率密度分布值，n表示灰度级的数量， 表示第j个灰度级的级别值； 表示基于灰度分布图所确定的第j个灰度级的数量占比； 表示所确定的第j个灰度级在灰度分布图的出现位置权重；表示所有 中的最大值； 表示所有 中的最大值； 表示所有 中的最大值；e表示常数，取值为2.7； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的平均值；max表示最大值符号； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的方差；[0025] 按照所述灰度均值将所述灰度图像的所有像素点去均值化处理，得到标准像素点，并构成对应第一图像的标准图像，进而构成标准图像组。[0026] 另一方面，基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集，包括：[0027] 从历史数据集中抽取若干与枸杞相关的图像，作为正向杂质过滤样本以及从所述历史数据集中抽取若干与非枸杞的无关的图像，作为负向杂质过滤样本；[0028] 搭建过滤识别网络，对所述正向杂志过滤样本以及负向杂质过滤样本进行过滤训练得到过滤模型；[0029] 将标准图像组导入所述过滤模型，筛选出符合枸杞病虫害的所有标准图像，作为标准数据集。[0030] 另一方面，根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型，包括：[0031] 从枸杞图库中等比例抽取不同预设分析种类的枸杞病虫害图像，对各个种类的图像进行数据预处理，得到公开数据集；[0032] 利用集成学习与迁移学习方法拟定深度学习模型，并对所述公开数据集进行训练及识别；[0033] 根据训练结果和识别结果的对比差异，调整深度学习模型的全连接层，并将深度学习模型的特征提取部分作为特征提取器；[0034] 向所述特征提取器的性能参数拟定第一权重，同时，根据调整后的深度学习模型的训练结果和标准数据集的特征比较结果，且利用投票法向不同种类的识别过程设置第二权重；[0035] 将第一权重、第二权重以及调整后的深度学习模型进行集成，得到所述目标采集对象的异常识别模型。[0036] 另一方面，利用评估指标对所述异常识别模型进行性能评估之前，包括：[0037] 提取所述异常识别模型中每个异常种类的异常网络识别层对所述枸杞验证图像所识别的异常特征y以及对应异常网络识别层的预设识别特征x，并计算异常特征y与预设识别特征x的相似值；[0038][0039] 其中， 表示对应异常网络识别层的预设识别特征x与枸杞验证图像所存在的对应异常种类的异常特征y的相似值， 、 分别表示预设识别特征x和异常特征y的特征亮度均值， 分别表示预设识别特征x和异常特征y的特征亮度方差， 表示预设识别特征x和异常特征y的特征亮度协方差， 和 表示稳定常数。[0040] 另一方面，利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性，包括：[0041] 统计相似值大于等于对应异常网络识别层的预设值的第一特征数量N1，同时，统计相似值小于对应异常网络识别层的预设值的第二特征数量N2，其中，评估指标为第一特征数量与第二特征数量；[0042] 基于第一特征数量N1以及第二特征数量N2，计算评价总得分S；[0043] ;[0044] 其中，1表示预设评价权重， 表示第一特征数量N1下的所有相似值的总和； 表示第一特征数量N1下的所有预设值的总和； 表示第二特征数量N2下的所有预设值的总和；[0045] 若所述评价总得分大于预设得分，则判断所述异常识别模型有效性高，反之，判定所述异常识别模型有效性不足并进行预警。[0046] 本发明提供一种智能化枸杞病虫害图像识别方法，用以通过数据采集、预处理、模型构建和验证等步骤，利用集成学习与迁移学习方法提高了枸杞病虫害图像的识别准确率和效率。附图说明[0047] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0048] 图1是本发明实施例提供的一种智能化枸杞病虫害图像识别方法的流程示意图；[0049] 图2是本发明实施例提供的根据机器学习算法和标准数据集构建目标采集对象的异常识别模型的流程示意图。具体实施方式[0050] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0051] 实施例1：[0052] 如图1所示，本发明实施例提供的一种智能化枸杞病虫害图像识别方法，包括：[0053] 步骤1：确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组；[0054] 步骤2：对原始图像组进行预处理得到标准图像组，其中，所述标准图像组包含不存在病虫害的枸杞图像和存在病虫害的枸杞图像；[0055] 步骤3：基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集；[0056] 步骤4：根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型；[0057] 步骤5：获取枸杞验证图像并输入到异常识别模型中获取异常识别结果，并利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性。[0058] 该实施例中，目标采集对象指的是需要进行病虫害识别的枸杞植株或枸杞果实。[0059] 该实施例中，特点包括枸杞植株或果实的生长状态、形态特征、病虫害的可能表现等。[0060] 该实施例中，环境信息数据采集系统包括单目摄像机、光源、计算机、电源、支架及连接线路等设备，在室内环境下拍摄采集枸杞病虫害俯视图的照片。[0061] 该实施例中，原始图像组是指从环境信息数据采集系统中获取的未经处理的图像集合，这些图像捕获了目标采集对象的真实场景。[0062] 该实施例中，预处理是进行一系列的处理步骤，以减少数据噪音、提高图像质量、突出特征等，主要流程包括：去噪、平滑、增强对比度、尺寸调整、标准化调整等操作。[0063] 该实施例中，标准图像组是预处理和标注后得到的一组标准化的图像数据集合包含不存在病虫害的枸杞图像和存在病虫害的枸杞图像。[0064] 该实施例中，病虫害是指植物受到病菌、病毒、真菌或昆虫等害虫的侵害而引起的疾病或损害，包括：病毒、细菌和真菌引起的疾病、昆虫、蛀虫等害虫的侵害。[0065] 该实施例中，枸杞图像是针对枸杞植株、枸杞果实或枸杞种植环境所拍摄的图像。[0066] 该实施例中，过滤模型是抽取已经构建的枸杞病虫害数据集中的部分样本，结合网络搜得的其他非枸杞图片（包含树、人像等其他图片）构建了一个用于训练过滤模型的数据集。[0067] 该实施例中，杂质过滤是指用过滤模型过滤掉无关图片（比如树、花等）的操作。[0068] 该实施例中，标准数据集指的是经过预处理和杂质过滤后构建的用于机器学习训练的数据集。[0069] 该实施例中，机器学习算法是包括一种集成学习与迁移学习的算法，如图2所示。集成学习是一种机器学习方法，其基本思想是通过组合多个模型的预测结果来改善整体的预测性能。迁移学习其基本思想是利用一个领域中已经训练好的模型来帮助解决另一个相关领域的问题。[0070] 该实施例中，异常识别模型是一种一种集成学习与迁移学习的方法构建深度学习算法模型，用于识别枸杞图像的病虫害类型。[0071] 该实施例中，枸杞验证图像指的是用于验证异常识别模型性能的枸杞图像数据[0072] 该实施例中，异常识别结果是每张验证图像的识别结果。结果可以指示该验证图像被模型判断什么种类的病虫害的枸杞。[0073] 该实施例中，性能评估是对所构建的异常识别模型进行验证和评价，以确定其在实际应用中的有效性和可靠性。[0074] 该实施例中，有效性指的是异常识别模型在检测枸杞病虫害方面的能力。[0075] 上述技术方案的工作原理及有益效果是：通过构建环境信息数据采集系统、预处理图像、构建异常识别模型等步骤，实现对枸杞病虫害的快速诊断与监测，提高了农作物产量和质量[0076] 实施例2：[0077] 在上述实施例1的基础上，确定目标采集对象，根据目标采集对象的特点构建环境信息数据采集系统，获取所述目标采集对象的原始图像组，包括：[0078] 根据枸杞植株及植株种类受到的病虫害类别，确定目标采集对象；[0079] 根据病虫害研究需求以及目标采集对象的特点，匹配采集设备，其中，所有采集设备构成环境信息数据采集系统；[0080] 基于所述采集设备采集所述目标采集对象的原始图像组。[0081] 该实施例中，采集设备包括包括单目摄像机、光源、计算机、电源、传感器等具体设备。[0082] 上述技术方案的工作原理及有益效果是：利用环境信息数据采集系统和机器学习技术，针对枸杞植株病虫害进行实时监测与识别，提高产量和质量。[0083] 实施例3：[0084] 在上述实施例1的基础上，对原始图像组进行预处理得到标准图像组的过程中，包括：[0085] 对所述原始图像组进行数据增强生成增强图像组；[0086] 根据预设图像标准尺寸建立第一维度处理库，将所述增强图像组引入库中处理，若任一增强图像的横纵比不符合预设图像标准尺寸，则对相应增强图像进行填充以及剪裁操作，得到第一图像组。[0087] 该实施例中，数据增强通过旋转、翻转、缩放、裁剪、添加噪声等操作，以扩充训练数据集，提高训练数据的泛用性。[0088] 该实施例中，增强图像组是通过数据增强技术生成的一组与原始图像相关的新图像集合。[0089] 该实施例中，预设图像标准尺寸是在图像处理或模型训练过程中预先设定的理想图像尺寸。[0090] 该实施例中，第一维度处理库是一个用于存储和处理图像数据的库，用于对图像进行预处理、增强和调整大小等操作，以满足预设的图像标准尺寸。[0091] 该实施例中，横纵比指图像或物体宽度与高度之间的比例关系。[0092] 该实施例中，填充是当图像的尺寸小于预设的标准尺寸时，通过在图像周围添加额外的像素（空白像素或特定颜色的像素）来扩展图像的尺寸，其中，填充操作是利用最近邻插值，识别目标像素的周围所有像素作为近邻像素点，根据像素排布规律和图像的原始逻辑对目标增强图像的边缘完成填充。[0093] 该实施例中，剪裁是当图像的横纵比与标准尺寸不匹配时，通过剪裁操作来调整图像的尺寸和形状。[0094] 该实施例中，第一图像组是经过数据增强并根据预设图像标准尺寸进行填充和剪裁操作后的图像集合。[0095] 上述技术方案的工作原理及有益效果是：通过数据增强和尺寸调整，确保图像一致性和符合标准尺寸，提高模型稳定性和泛化能力，节省资源并提高处理效率。[0096] 实施例4：[0097] 在上述实施例3的基础上，得到第一图像组之后，还包括：[0098] 对第一图像组的任一第一图像进行像素灰度处理得到灰度图像，并确定所述灰度图像中每个像素点的灰度值并基于值?级别映射表确定对应像素点的灰度级；[0099] 分别统计所述灰度图像中同个灰度级下像素点的数量，并按照灰度级的级别顺序构建灰度分布图；[0100] 确定所述灰度分布图的灰度均值 ；[0101] ;[0102] ;[0103] 其中， 表示第j个灰度级下的像素点在对应灰度图像中的概率密度分布值，n表示灰度级的数量， 表示第j个灰度级的级别值； 表示基于灰度分布图所确定的第j个灰度级的数量占比； 表示所确定的第j个灰度级在灰度分布图的出现位置权重；表示所有 中的最大值； 表示所有 中的最大值； 表示所有 中的最大值；e表示常数，取值为2.7； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的平均值；max表示最大值符号； 表示基于灰度分布图所确定的第j个灰度级中所有灰度值的方差；[0104] 按照所述灰度均值将所述灰度图像的所有像素点去均值化处理，得到标准像素点，并构成对应第一图像的标准图像，进而构成标准图像组。[0105] 该实施例中，像素灰度处理是指将彩色图像转换为灰度图像的过程。[0106] 该实施例中，灰度图像是一种只包含黑白颜色而没有彩色的图像，每个像素点的颜色值表示了该点的亮度。[0107] 该实施例中，灰度值是指图像中每个像素点的亮度和灰度的级别。[0108] 该实施例中，值?级别映射表是一个定义了像素灰度值与灰度级别之间关系的映射表。[0109] 该实施例中，灰度级是用来描述图像中像素灰度值的量化级别。灰度级通常用来表示像素的灰度的程度。[0110] 该实施例中，灰度分布图是用来表示灰度图像中不同灰度级别下像素点数量的统计图表。[0111] 该实施例中，灰度均值指的是灰度分布图中各个灰度级别的平均值。[0112] 该实施例中，概率密度分布值是每个灰度级别下的像素点数量在整个图像中所占的比例，也是每个灰度级别的概率密度。[0113] 该实施例中，级别值是灰度图像中的灰度级别常数值。[0114] 该实施例中，出现位置权重是表示灰度级别在灰度分布图中出现的位置对整个分布的影响程度的预设值。[0115] 该实施例中，去均值化处理是对灰度图像中每个像素点对应的G、R、B的值分别减去灰度均值的操作。[0116] 该实施例中，标准像素点指经过去均值化处理后的像素点。[0117] 该实施例中，标准图像是指由标准像素点构建的图像。[0118] 上述技术方案的工作原理及有益效果是：对第一图像进行灰度处理、构建灰度分布图、计算灰度均值，并进行去均值化处理，以提高图像处理效果和质量。[0119] 实施例5：[0120] 在上述实施例1的基础上，基于过滤模型对标准图像组进行杂质过滤，得到所述目标采集对象的标准数据集，包括：[0121] 从历史数据集中抽取若干与枸杞相关的图像，作为正向杂质过滤样本以及从所述历史数据集中抽取若干与非枸杞的无关的图像，作为负向杂质过滤样本；[0122] 搭建过滤识别网络，对所述正向杂志过滤样本以及负向杂质过滤样本进行过滤训练得到过滤模型；[0123] 将标准图像组导入所述过滤模型，筛选出符合枸杞病虫害的所有标准图像，作为标准数据集。[0124] 该实施例中，正向杂质过滤样本是指健康的枸杞植株、或者受害于病虫害的枸杞植株有关的样本图像。[0125] 该实施例中，负向杂质过滤样本是不包含枸杞或与枸杞无关的样本图像。[0126] 该实施例中，过滤识别网络是指一个用于过滤和识别图像的神经网络模型。[0127] 该实施例中，过滤训练是指使用正向杂质过滤样本和负向杂质过滤样本对过滤识别网络进行训练的过程。[0128] 上述技术方案的工作原理及有益效果是：利用过滤识别网络对历史图像数据进行训练，实现自动化筛选符合枸杞病虫害的图像，提高工作效率，增强数据质量和挖掘能力。[0129] 实施例6：[0130] 在上述实施例1的基础上，根据机器学习算法且结合标准数据集，构建所述目标采集对象的异常识别模型，如图2所示，包括：[0131] 从枸杞图库中等比例抽取不同预设分析种类的枸杞病虫害图像，对各个种类的图像进行数据预处理，得到公开数据集；[0132] 利用集成学习与迁移学习方法拟定深度学习模型，并对所述公开数据集进行训练及识别；[0133] 根据训练结果和识别结果的对比差异，调整深度学习模型的全连接层，并将深度学习模型的特征提取部分作为特征提取器；[0134] 向所述特征提取器的性能参数拟定第一权重，同时，根据调整后的深度学习模型的训练结果和标准数据集的特征比较结果，且利用投票法向不同种类的识别过程设置第二权重；[0135] 将第一权重、第二权重以及调整后的深度学习模型进行集成，得到所述目标采集对象的异常识别模型。[0136] 该实施例中，枸杞图库指的是一个包含了各种枸杞病虫害图像的图像数据库，用于研究和分析枸杞植株受到的各种病虫害。[0137] 该实施例中，等比例抽取是指按照一定参数在不同种类的图库中抽取相同数量比例的操作。[0138] 该实施例中，预设分析种类指的是在枸杞病虫害图像分析过程中预先确定的不同种类或类型的病虫害。[0139] 该实施例中，公开数据集指的是对外公开发布并可供研究和使用的数据集。[0140] 该实施例中，全连接层是深度神经网络中的一种基本结构，通常位于神经网络的最后几层。作用是将前面的隐藏层（或者特征提取部分）的输出转换为最终的输出类别或分数。[0141] 该实施例中，特征提取器是指在深度学习模型中负责从原始数据中提取有效特征表示的部分。[0142] 该实施例中，性能参数是一个描述特征提取器的参数，包括：特征表达能力、特征重复性、特征稳定性、特征维度等参数。[0143] 该实施例中，第一权重指的是特征提取器的性能参数的初始权重系数，共有k个性能参数，每个性能参数根据专家分析预先设定评分，根据每个性能参数的评分在总评分的占比获取到所述性能参数的第一权重。[0144] 该实施例中，投票法用于整合多个分类器的预测结果来做出最终的分类决策，通过对每个分类器都给出对每个类别的概率估计最终选择概率最高的类别作为结果。[0145] 该实施例中，第二权重是指经过训练结果和标准数据集的特征比较结果的性能参数权重分配，根据投票法对种类特征的概率进行决策，则该种类特征下的任一性能参数的第二权重为：[0146] ；[0147] 其中， 表示所述性能参数的第二权重，表示共有f个性能参数， 表示所述性能参数的第一权重，表示投票法获取到的参数概率，表示所述性能参数的分配权重调整常数。[0148] 该实施例中，将线性不可分的训练样本特征从低维输入空间转化为高维特征空间使其线性可分，从而将训练样本的图片特征分入相应的类别。[0149] 该实施例中，深度学习模型是一个由多个层次组成的模型，每一层都包含多个神经元，这些神经元通过连接进行信息传递和处理。用于学习复杂的特征表示和模式识别任务，如图像识别、语音识别、自然语言处理等。[0150] 该实施例中，集成是指将多个调整结果和参数结合到一起，以利用它们各自的优势，从而提高整体模型的性能。[0151] 上述技术方案的工作原理及有益效果是：利用集成学习与迁移学习构建深度学习模型，识别枸杞病虫害。提高准确率，适应不同情况，有效识别异常。[0152] 实施例7：[0153] 在上述实施例6的基础上，利用评估指标对所述异常识别模型进行性能评估之前，包括：[0154] 提取所述异常识别模型中每个异常种类的异常网络识别层对所述枸杞验证图像所识别的异常特征y以及对应异常网络识别层的预设识别特征x，并计算异常特征y与预设识别特征x的相似值；[0155][0156] 其中， 表示对应异常网络识别层的预设识别特征x与枸杞验证图像所存在的对应异常种类的异常特征y的相似值， 、 分别表示预设识别特征x和异常特征y的特征亮度均值， 分别表示预设识别特征x和异常特征y的特征亮度方差， 表示预设识别特征x和异常特征y的特征亮度协方差， 和 表示稳定常数。[0157] 该实施例中，异常特征指的是图像经过异常识别模型处理后的异常的图像特征，包括：枸杞叶片上出现的不规则斑点、叶片颜色异常、叶片边缘变形等。[0158] 该实施例中，异常网络识别层是指在异常检测或异常识别模型中的一个特定的用于识别图像或数据中的异常情况的层，需要说明的是，异常识别模型中包含若干层，且每层对应一个异常种类。[0159] 该实施例中，预设识别特征指的是在异常识别模型训练过程中，事先设定用于识别特定异常种类的图像特征。[0160] 该实施例中，相似值指的是异常特征与预设识别特征之间的相似程度，主要是为了确定模型识别的准确情况。[0161] 该实施例中，特征亮度的是图像中某个特征的亮度水平。[0162] 该实施例中，稳定常数是一个预定设定的用于稳定模型函数的常数。[0163] 上述技术方案的工作原理及有益效果是：利用异常识别模型，提取图像异常特征并与预设特征比较，计算相似值，指导异常识别。通过特征亮度统计量和相似性度量，提高异常检测准确性和稳定性，增强系统可靠性。[0164] 实施例8：[0165] 在上述实施例7的基础上，利用评估指标对所述异常识别模型进行性能评估，判断异常识别模型的有效性，包括：[0166] 统计相似值大于等于对应异常网络识别层的预设值的第一特征数量N1，同时，统计相似值小于对应异常网络识别层的预设值的第二特征数量N2，其中，评估指标为第一特征数量与第二特征数量；[0167] 基于第一特征数量N1以及第二特征数量N2，计算评价总得分S；[0168] ;[0169] 其中，1表示预设评价权重， 表示第一特征数量N1下的所有相似值的总和； 表示第一特征数量N1下的所有预设值的总和； 表示第二特征数量N2下的所有预设值的总和；[0170] 若所述评价总得分大于预设得分，则判断所述异常识别模型有效性高，反之，判定所述异常识别模型有效性不足并进行预警。[0171] 该实施例中，第一特征数量是指相似值大于异常网络识别层的预设值的特征的数量。[0172] 该实施例中，第二特征数量是指相似值小于异常网络识别层的预设值的特征的数量。[0173] 该实施例中，预设评价权重是在评估异常识别模型有效性时为不同评估指标分配的重要性权重系数。[0174] 该实施例中，预设得分是对于评价总得分的一个预先设定的阈值或标准。[0175] 该实施例中，评价总得分是根据第一特征数量(N1)和第二特征数量(N2)以及它们的相似值和预设值计算得出的一个综合评估模型的分数。[0176] 该实施例中，评估指标还可以是对每个异常种类下的相似值采用均方根误差（RMSE）、决定系数（R2）和平均绝对误差（MAE）实现对模型的性能预测，有助于客观评估模型的有效性和可靠性，具体如下：[0177][0178] 当性能值大于预设阈值时，判定可靠，且预设阈值的取值一般为0.8。[0179] 上述技术方案的工作原理及有益效果是：通过特征数量统计和评价总得分计算，客观评估异常识别模型有效性，提高识别效率。[0180] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：宁夏

专利申请日期：2024-04-23

专利公开日期：2024-11-22

专利公告号：CN118485915B