[发明专利]植物病害识别方法、装置、电子设备及存储介质

权利要求书

1.一种植物病害识别方法，其特征在于，包括：

获取待识别植物病害的目标图像；

将所述待确定植物病害的目标图像输入至植物病害识别模型中，得到所述植物病害识别模型输出的植物病害识别结果；

其中，所述植物病害识别模型是基于元学习和集成分类的训练方法而得到的，所述训练方法包括：

基于元学习的小样本训练方法，得到植物病害识别模型的植物病害分类器的参数初始值以及集成分类器的各决策权重，

将所述参数初始值作为序列基学习器中的第一个基学习器的初始参数，训练所述序列基学习器作为新的集成分类器，其中，后一个基学习器以前一个已训练的基学习器参数作为初始值进行训练；

其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得到，加权重为基于元学习的小样本训练方法得到的集成分类器的各决策权重。

2.根据权利要求1所述的植物病害识别方法，其特征在于，所述训练方法包括：

采用与待识别的目标病害图像相似的一般植物病害的图像的集合，训练出元学习器，元学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参数，赋予一组序列分类器，这组序列分类器在目标病害图像集合上进行二次训练学习。

3.根据权利要求1或2所述的植物病害识别方法，其特征在于，所述训练方法包括：

步骤S1：确定待识别的植物病害类型，针对每种待识别的植物病害类型，采集预定数量图像样本组成目标数据集S_de，S_de包含了带识别的植物病害图像及对应的植物病害类型标签，采集一般植物病害的图像组成训练与验证数据集S_tv，S_tv包含了用于训练的植物病害图像及对应的病害类型标签，S_tv与S_de中植物病害类型不相同；

步骤S2：确定元学习器ML训练过程的循环次数N_outer，随机初始化元学习器ML的参数θ，确定待训练的基学习器数量N_T，建立一组网络结构与元学习器ML相同的基学习器初始化各基学习器的初始决策权重

步骤S3：按照N-Way M-shot方式从S_tv抽样出N_inner组训练任务{T_sup，T_que}；

步骤S4：以θ作为初始值，在每组T_sup以算法1依次训练更新BL_i(i＝1,…,N_T)的参数，计算所有BL_i(i＝1,…,N_T)在T_que上的损失函数L^que；

步骤S5：在N_inner组训练任务上计算总体元损失函数L_meta，基于所述损失函数，更新元学习器ML的参数θ和决策权重w；

步骤S6：将步骤S3、步骤S4和步骤S5重复N_outer次，得到元学习器ML的最终参数θ和决策权重w。

4.根据权利要求3所述的植物病害识别方法，其特征在于，所述训练所述植物病害识别模型还包括：

步骤S7：重新构造一组新的基学习器从S_de抽样出N_act组训练任务{T_sup，T_que}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在N_act组训练任务的T_sup(i＝1,…,N_act)上，用所述算法1重新训练并在N_act组训练任务的T_que上评估待识别病害平均分类精度，若平均精度满足预设条件，则将作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对的预测结果进行加权，取最高得分的分类作为预测的病害。