茶叶病害识别模型的创建方法、装置、设备及存储介质

本发明涉及农业，尤其涉及一种茶叶病害识别模型的创建方法、装置、设备及存储介质。

背景技术：

1、茶叶是非常受人们欢迎的一种饮品，也是中国文化中一个极具内涵的文化符号。中国是茶的故乡，也是全球第一大产茶国，我国的茶叶总产量占全球茶叶总产量40％以上。在茶叶的种植与生产中，一些多发、易发的病害对茶叶的产量与品质带来了很大的危害，比如茶白星病不仅对新茶嫩叶危害严重而且发病率极高，茶叶轮斑病在整个茶树的生长周期内都可能发生。因此，茶叶病害的防治工作极为重要，在茶叶种植中必须采取措施快速识别并及时治理一些顽固病害。虽然在历经千年的茶叶种植历史中，人们积累了丰富的病害防治经验，但这需要大量的茶园巡查辨别工作，对人力要求很高但效率却非常低下。

2、在人工智能技术对传统农业不断渗透的今天，如果能够使用计算机技术提升茶叶种植的智能化水平，实现对茶叶病害的智能防治，对于促进茶产业的智能化升级具有重要的推动作用。

技术实现思路

1、本发明的目的在于提供一种茶叶病害识别模型的创建方法、装置、设备及存储介质。

2、为了实现上述发明目的之一，本发明一实施方式提供了一种茶叶病害识别模型的创建方法，包括以下步骤：获取多个茶叶的图像，以及每个图像对应的病虫害信息；生成茶叶病害识别模型，所述茶叶病害识别模型包含有mobilenetv3模型、超轻量注意力模型和全连接层；基于多个茶叶的图像，以及每个图像对应的病虫害信息，对所述茶叶病害识别模型进行训练。

3、作为本发明一实施方式的进一步改进，在所述mobilenetv3模型中，卷积运算模块重新划分为224×224、112×112、56×56、28×28、14×14、7×7和1×1共计7个卷积运算组，对其中大小为56×56、28×28和14×14的三个卷积运算组的输出的特征向量分别作pcbr处理，所述pcbr处理包括：池化运算、卷积运算、批次归一化运算和relu非线性激活四种运算，其中，池化运算采用沿高与宽两个维度的全局最大池化，将h×w×c形状的特征图压缩为1×1×c，其中，h、w和c分别指代特征图的高度、宽度和通道数；卷积运算采用1×1×c的卷积核，并应用组数为8的分组卷积处理，将池化运算后的特征映射为1×1×320；relu非线性激活通过bn批次归一化与relu处理对数据作非线性映射；之后，对其中大小为56×56、28×28和14×14的三个卷积运算组输的特征向量在进行拼接运算，从而获得多阶段特征融合的形状为1×1×960的张量，将所述张量变换为32×30×1的形状，并应用大小为3×3、步长为2的卷积核将所述向量收缩为16×15×1的中间张量，然后使用大小为3×3、步长为2的转置卷积恢复形状，再重新变换形状获得1×1×960的分支向量fb；最后将fb与主干网络提取的1×1×960维向量fb作如下的加权合并：f＝fg+λfb，其中，λ为特征融合系数；在获得f之后，继续执行mobilenetv3的后续卷积运算获得映射到1280维空间的嵌入向量。

4、作为本发明一实施方式的进一步改进，所述超轻量注意力模型中的通道注意力子模型的具体计算过程为：首先沿高与宽两个维度分别执行最大池化处理与平均池化处理，从而获得两个1×1×c的特征张量和将特征张量和进一步变形后获得形状为hr×wr×2的三维张量其中，[]表示张量的拼接运算，vec-1()表示由向量到矩阵的变换，hr与wr是通过对c作差值最小的整数分解获得：hr×wr＝c，hr≥wr，并且hr与wr差值尽可能小三个条件需要同时满足；之后，先对所述三维张量应用大小为3×3、填充为1并且步长为1的卷积核作卷积运算获得hr×wr×1的临时张量，再使用步长为2的卷积核将其高度与宽度分别缩小到hr/2与wr/2，之后，使用转置卷积获得形状恢复为hr×wr大小的张量t′，之后，使用relu激活函数，其中，为转置卷积运算，下标中的3，2分别指代卷积核大小与步长值；之后，对t′应用softmax函数，将t′变形为1×1×c形状，即可获得通道注意力加权张ach∈r1×1×c，ach＝vec(softmax(t′))，其中，vec()为由矩阵到向量的变换运算；在获得ach后，最终的通道注意力hch∈rh×w×c，其中，表示将ach中每个通道维度的元素与x中对应通道的平面相乘，x∈rh×w×c为特征图。

5、作为本发明一实施方式的进一步改进，所述超轻量注意力模型中的空间注意力子模块的具体计算过程为：首先对其沿通道维度分别执行最大池化与平均池化，获得2个形状为h×w×1的过程张量与过程张量对过程张量与过程张量作拼接处理获得h×w×1的临时张量，对所述临时张量使用3×3大小、填充为1并且步长为1的卷积核作卷积运算，之后，在使用relu激活函数；然后，对relu激活函数获得的结果作softmax处理，从获得了空间注意力的加权矩阵之后，asp与特征图x的每个空间位置处的所有通道元素作相乘处理得到空间注意力

6、作为本发明一实施方式的进一步改进，所述“基于多个茶叶的图像，以及每个图像对应的病虫害信息，对所述茶叶病害识别模型进行训练”具体包括：对每个图像均进行以下处理：将所述图像放大到256×256的像素大小，再从中心执行随机裁剪操作，裁切出224×224像素大小的子图；对所述子图的三个通道都进行归一化处理，归一化时使用的均值为[0.485，0.456，0.406]，标准差为[0.229，0.224，0.225]；作概率为0.5的随机水平翻转处理，作概率为0.5的随机旋转处理，旋转的角度为-30°～30°之间的随机数值；对图像色相、饱和度与亮度作概率为0.5的随机抖动操作，抖动值为0～0.2之值的随机数值；之后，将所述图像替换为所述子图；之后，基于多个茶叶的图像，以及每个图像对应的病虫害信息，对所述茶叶病害识别模型进行训练。

7、作为本发明一实施方式的进一步改进，在所述茶叶病害识别模型中，交叉熵损失函数值其中，n为训练批次中的图像的数量，k为该批次中图像的类别数，为图像的真实标签，在采用独热编码时，仅当k与所在类别相同时取值为1，∈∈(0,1)为标签平滑参数，为模型预测结果，中心损失函数其中，cyi指代所有属于类别yi的样本的中心；根据下式计算模型在当前训练批次图像上的损失函数l＝lxe+βlce，其中，β为中心损失函数lce的加权系数，lce>0。

8、作为本发明一实施方式的进一步改进，β＝0.0003。

9、本发明实施例还提供了一种用于茶叶病害的识别模型的创建装置，包括以下模块：信息获取模块，用于获取多个茶叶的图像，以及每个图像对应的病虫害信息；模型生成模块，用于生成茶叶病害识别模型，所述茶叶病害识别模型包含有mobilenetv3模型、超轻量注意力模型和全连接层；模型训练模块，用于基于多个茶叶的图像，以及每个图像对应的病虫害信息，对所述茶叶病害识别模型进行训练。

10、本发明实施例还提供了一种设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述的创建方法。

11、本发明实施例还提供了一种存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的创建方法。

12、相对于现有技术，本发明的技术效果在于：本发明实施例提供一种茶叶病害识别模型的创建方法、装置、设备及存储介质，该创建方法包括：获取多个茶叶的图像，以及每个图像对应的病虫害信息；生成茶叶病害识别模型，所述茶叶病害识别模型包含有mobilenetv3模型、超轻量注意力模型和全连接层；基于多个茶叶的图像，以及每个图像对应的病虫害信息，对所述茶叶病害识别模型进行训练。该茶叶病害识别模型能够对茶叶病虫害进行自动识别。