本技術(shù)涉及圖像識(shí)別，尤其涉及一種農(nóng)作物病害識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在現(xiàn)代農(nóng)業(yè)智能化進(jìn)程中，準(zhǔn)確識(shí)別農(nóng)作物病害對于及時(shí)防治、保障作物產(chǎn)量至關(guān)重要。而近年來，深度學(xué)習(xí)技術(shù)的迅速演進(jìn)推動(dòng)了圖像分類技術(shù)在植物病害自動(dòng)識(shí)別領(lǐng)域的廣泛應(yīng)用，尤其是在病害葉片圖像分類任務(wù)上展現(xiàn)出卓越的能力。

2、但現(xiàn)有技術(shù)的農(nóng)作物病害圖像識(shí)別模型可能在處理光照條件復(fù)雜背景下的目標(biāo)識(shí)別時(shí)存在性能下降的問題。且部分圖像識(shí)別模型由于計(jì)算復(fù)雜度過高，難以在資源受限的設(shè)備上實(shí)時(shí)運(yùn)行。

3、上述內(nèi)容僅用于輔助理解本技術(shù)的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種農(nóng)作物病害識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，旨在解決如何基于農(nóng)作物圖像準(zhǔn)確地識(shí)別農(nóng)作物病害的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提出一種農(nóng)作物病害識(shí)別方法，所述農(nóng)作物病害識(shí)別方法包括：

3、獲取預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集；

4、基于所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集對預(yù)設(shè)圖像識(shí)別模型進(jìn)行訓(xùn)練，得到初始農(nóng)作物病害識(shí)別模型，所述預(yù)設(shè)圖像識(shí)別模型的頭部為具有多個(gè)雙分支結(jié)構(gòu)的淺層特征提取器，所述淺層特征提取器中雙分支的每個(gè)分支用于提取不同維度的圖片特征；

5、基于遺傳算法調(diào)整所述初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型；

6、基于所述目標(biāo)農(nóng)作物病害識(shí)別模型識(shí)別目標(biāo)農(nóng)作物圖像，得到目標(biāo)農(nóng)作物病害識(shí)別結(jié)果。

7、在一實(shí)施例中，所述基于所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集對預(yù)設(shè)圖像識(shí)別模型進(jìn)行訓(xùn)練，得到初始農(nóng)作物病害識(shí)別模型的步驟，包括：

8、對所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集進(jìn)行圖像預(yù)處理；

9、將預(yù)處理后的所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集的rgb顏色空間轉(zhuǎn)換到lab顏色空間，得到目標(biāo)農(nóng)作物圖像數(shù)據(jù)集；

10、基于所述目標(biāo)農(nóng)作物圖像數(shù)據(jù)集對預(yù)設(shè)圖像識(shí)別模型進(jìn)行訓(xùn)練，得到初始農(nóng)作物病害識(shí)別模型。

11、在一實(shí)施例中，所述將預(yù)處理后的所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集的rgb顏色空間轉(zhuǎn)換到lab顏色空間，得到目標(biāo)農(nóng)作物圖像數(shù)據(jù)集的步驟，包括：

12、將預(yù)處理后的所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集的rgb顏色空間轉(zhuǎn)換到xyz顏色空間；

13、將所述xyz顏色空間轉(zhuǎn)換到lab顏色空間，得到目標(biāo)農(nóng)作物圖像數(shù)據(jù)集。

14、在一實(shí)施例中，所述基于遺傳算法調(diào)整所述初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型的步驟，包括：

15、設(shè)置初始種群大??；

16、從所述初始農(nóng)作物病害識(shí)別模型中選取預(yù)設(shè)超參數(shù)作為個(gè)體基因；

17、通過預(yù)設(shè)遺傳算法基于所述初始種群大小和所述個(gè)體基因生成初始種群，并對所述初始種群進(jìn)行迭代，得到目標(biāo)個(gè)體；

18、基于所述目標(biāo)個(gè)體的個(gè)體基因確定所述預(yù)設(shè)超參數(shù)的目標(biāo)參數(shù)；

19、基于所述目標(biāo)參數(shù)調(diào)整所述初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型。

20、在一實(shí)施例中，所述對所述初始種群進(jìn)行迭代，得到目標(biāo)個(gè)體的步驟，包括：

21、設(shè)置迭代次數(shù)；

22、基于所述初始農(nóng)作物病害識(shí)別模型的評估指標(biāo)值評估所述初始種群的個(gè)體，得到初始適應(yīng)度計(jì)算結(jié)果；

23、基于所述初始適應(yīng)度計(jì)算結(jié)果從所述初始種群中確定參與繁殖的個(gè)體；

24、基于所述迭代次數(shù)對所述參與繁殖的個(gè)體進(jìn)行遺傳操作，得到目標(biāo)種群；

25、基于所述初始農(nóng)作物病害識(shí)別模型的評估指標(biāo)值評估所述目標(biāo)種群的個(gè)體，得到目標(biāo)適應(yīng)度計(jì)算結(jié)果，基于所述目標(biāo)適應(yīng)度計(jì)算結(jié)果從所述目標(biāo)種群中確定目標(biāo)個(gè)體。

26、在一實(shí)施例中，所述初始農(nóng)作物病害識(shí)別模型包括淺層特征提取器和深層特征提取器，所述淺層特征提取器包括lab雙分支濾波器，所述深層特征提取器包括依次連接的第一模塊、第二模塊和第三模塊，所述基于所述目標(biāo)參數(shù)調(diào)整所述初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型的步驟，包括：

27、基于所述目標(biāo)參數(shù)調(diào)整所述初始農(nóng)作物病害識(shí)別模型的所述lab雙分支濾波器的分配率、第一模塊層數(shù)、第二模塊層數(shù)和第三模塊層數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型。

28、在一實(shí)施例中，所述對所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集進(jìn)行圖像預(yù)處理的步驟，包括：

29、對所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集進(jìn)行圖像歸一化，得到歸一化圖像；

30、對歸一化圖像進(jìn)行標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化圖像；

31、將所述標(biāo)準(zhǔn)化圖像裁剪為預(yù)設(shè)像素大小，得到預(yù)處理后的所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集。

32、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種農(nóng)作物病害識(shí)別裝置，所述農(nóng)作物病害識(shí)別裝置包括：

33、數(shù)據(jù)獲取模塊，用于獲取預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集；

34、模型訓(xùn)練模塊，用于基于所述預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集對預(yù)設(shè)圖像識(shí)別模型進(jìn)行訓(xùn)練，得到初始農(nóng)作物病害識(shí)別模型，所述預(yù)設(shè)圖像識(shí)別模型的頭部為具有多個(gè)雙分支結(jié)構(gòu)的淺層特征提取器，所述淺層特征提取器中雙分支的每個(gè)分支用于提取不同維度的圖片特征；

35、參數(shù)調(diào)整模塊，用于基于遺傳算法調(diào)整所述初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型；

36、圖像識(shí)別模塊，用于基于所述目標(biāo)農(nóng)作物病害識(shí)別模型識(shí)別目標(biāo)農(nóng)作物圖像，得到目標(biāo)農(nóng)作物病害識(shí)別結(jié)果。

37、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種農(nóng)作物病害識(shí)別設(shè)備，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為實(shí)現(xiàn)如上文所述的農(nóng)作物病害識(shí)別方法的步驟。

38、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的農(nóng)作物病害識(shí)別方法的步驟。

39、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的農(nóng)作物病害識(shí)別方法的步驟。

40、本技術(shù)提出的一個(gè)或多個(gè)技術(shù)方案，至少具有以下技術(shù)效果：

41、獲取預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集，基于預(yù)設(shè)農(nóng)作物圖像數(shù)據(jù)集對預(yù)設(shè)圖像識(shí)別模型進(jìn)行訓(xùn)練，得到初始農(nóng)作物病害識(shí)別模型，預(yù)設(shè)圖像識(shí)別模型的頭部為具有多個(gè)雙分支結(jié)構(gòu)的淺層特征提取器，淺層特征提取器中雙分支的每個(gè)分支用于提取不同維度的圖片特征，雙分支結(jié)構(gòu)加權(quán)融合策略整合兩路特征，增強(qiáng)了農(nóng)作物病害識(shí)別模型對圖像特征的綜合解析與利用能力，基于遺傳算法調(diào)整初始農(nóng)作物病害識(shí)別模型的參數(shù)，得到目標(biāo)農(nóng)作物病害識(shí)別模型，基于目標(biāo)農(nóng)作物病害識(shí)別模型識(shí)別目標(biāo)農(nóng)作物圖像，得到目標(biāo)農(nóng)作物病害識(shí)別結(jié)果，根據(jù)遺傳算法的優(yōu)化結(jié)果，為模型分配最優(yōu)的初始權(quán)重，實(shí)現(xiàn)模型性能最優(yōu)化，從而使得目標(biāo)農(nóng)作物病害識(shí)別模型能夠精確地識(shí)別出農(nóng)作物病害葉的類別，便于篩選符合品質(zhì)評估標(biāo)準(zhǔn)的農(nóng)作物，為種植優(yōu)質(zhì)的農(nóng)作物選擇提供參考。