[发明专利]一种烟草病害识别方法、系统、平台及存储介质

说明书

本发明涉及植物病害识别技术领域，具体涉及一种烟草病害识别方法、系统、平台及存储介质。本发明通过获取烟草病害浅层特征数据；根据浅层特征数据，抽取细粒度高层特征信息；实时生成烟草病害类别数据。可以实现实时掌握烟草病害类别的识别，便于实时掌握烟草的生长态势；其次，通过本发明方案，在打破小规模数据集限制的同时，实现了对病害图像细粒度特征的提取，解决了数据规模小的问题，还有效避免了现有技术中模型出现过拟合。

技术领域

本发明涉及植物病害识别技术领域，具体涉及一种烟草病害识别方法、系统、平台及存储介质。

背景技术

当前，植物病害识别的研究大多基于公开数据集，对植物病害识别的研究通常是对病害图像进行实时研究，而实地采集的病害图像通常包含多种干扰因素，如复杂的背景、光照反射等，针对这些因素，传统方式通常是在对图像预处理过程中采用手工标注的方法进行背景去除。

此外，烟草病害的早期病斑相比其他植物病害相似度更高，而且由于烟田采集高质量图像数据的难度高、病害发展速度快，多种高难度使得数据量也十分稀少，也就是说，就传统方式而言，无法实现对烟草病害类别的识别。

还有，传统模式中，Hlaing CS等在植物病害图像预处理后基于统计特征提取scale invariant feature transform(SIFT)（尺度不变特征转换）特征和颜色特征，对纹理和颜色特征进行建模，然后使用SVM分类器进行分类。这种手动提取特征的识别方法需要在预处理阶段面临许多环境因素带来的问题，包括阳光反射、阴影、叶片重叠、复杂背景等问题，这些因素都会影响图像分割效果，进而会对特征提取造成干扰。

深度学习技术为特征的自动获取提供了可能，Durmuş H等和Verma S等都对PlantVillage（植物村）数据集中的番茄病害图像进行了研究，使用卷积神经网络训练出了识别准确率较高的模型。但是公开数据集中的数据几乎都是在受控条件下采集，研究表明使用PlantVillage（植物村）中数据训练的模型，在现实环境中使用时准确率会迅速下降。

现实中，对于农业领域大量采集田野中的数据图像难度非常高，通常将迁移学习作为解决数据数量与质量不足的方案，如Hyun K S等人使用微调预训练CNN（卷积神经网络）的方法实现田野环境中的甜菜与马铃薯的二分类。但这种方法只适用于粒度较粗的图像分类问题，无法解决类间差异较小的烟草早期病害图像识别问题。

另外，对于视觉注意机制而言，是目前实现弱监督细粒度图像分类的有效方法。FuJ等人提出APN(Attention Proposal Network) （注意力提议网络）来定位图像中的区分性区域 ，实现无监督空间域注意力定位。Hu J等人提出了Squeeze-and-excitation(SE) （挤压与激励）模块，通过通道内特征挤压探索通道间的依赖性，实现通道域注意力机制。WangF等人设计了残差注意力模块，借助Residual（残差）结构缓解注意力模块堆叠引起的信息丢失问题，并提出残差注意力模块(Residual-Attention Module)产生混合注意力约束。这些方法并未在实地采集的植物病害图像识别方面得到有效运用，而烟草早期病害图像数据集在数据量等方面也无法满足细粒度分类模型的训练要求。

综上所述，由于烟田采集高质量图像数据的难度高、病害发展速度快，多种高难度使得数据量也十分稀少，就传统方式和现有技术而言，无法实现对烟草病害类别的识别。

发明内容

针对以上目前无法实现对烟草病害识别的技术问题及缺陷。本发明提供一种烟草病害识别方法、系统、平台及存储介质，实现实时掌握烟草病害情况。

本发明具体通过以下技术方案实现：

一种烟草病害识别方法，所述的方法具体包括如下步骤：

获取烟草病害浅层特征数据；

根据浅层特征数据，抽取细粒度高层特征信息；