[发明专利]基于混合维度迁移学习的花卉病害识别系统

说明书

基于混合维度迁移学习算法的花卉病害识别系统，包括由光谱传感器构成的数据采集模块、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的存储模块、反馈信息移动设备终端，还包括一个识别模块，识别模块与存储模块、存储模块和设备终端通信相连，识别模块包括：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。本发明无须采摘花卉即可达到病害类别识别的目的，且提出的方法识别简便、准确度高、泛化能力强。

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；