[發(fā)明專利]一種基于元學習和深度學習的實時茶葉病害情況檢測方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310265059.2
• 申請日: 2023-03-17
• 公開（公告）號: CN116168299A
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計）人: 沈飛廉;權(quán)義寧;林國清;宋建鋒;苗啟廣;劉如意
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/44;G06V10/764;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 楊曄

1.一種基于元學習和深度學習的茶葉病害檢測方法，其特征在于，具體步驟如下：

步驟S1、采集到茶葉病害圖像后，對圖片進行數(shù)據(jù)處理，保存至數(shù)據(jù)集中；

步驟S2、將數(shù)據(jù)集進行準備和劃分，以茶云紋枯葉病和茶藻斑病作為基類數(shù)據(jù)集，茶芽枯病作為小樣本數(shù)據(jù)集；

步驟S3、對步驟S2得到的數(shù)據(jù)集進行訓練，通過特征提取網(wǎng)絡(luò)提取出支持集和查詢集的圖片特征，通過角點提純模塊增強對于茶葉的特征學習，以支持集的特征增強茶葉病害圖像的學習；

步驟S4、對步驟S3得到的數(shù)據(jù)集進行網(wǎng)絡(luò)訓練，使得不同茶葉病害的權(quán)重進行區(qū)分；

步驟S5、根據(jù)茶田攝像頭獲取的茶田圖像生成病害情況，并給出相應(yīng)的解決方案。

2.根據(jù)權(quán)利要求1所述的一種基于元學習和深度學習的茶葉病害檢測方法，其特征在于，所述步驟S1中數(shù)據(jù)處理的具體步驟如下：

步驟S1.1、采集茶葉病害圖像，要求保證圖像是在自然場景中拍攝，沒有對拍攝背景進行控制；

步驟S1.2、對步驟S1.1采集的茶葉病害圖像進行裁剪、分割；

步驟S1.3、將步驟S1.2裁剪后的圖像進行旋轉(zhuǎn)操作以模擬實際場景中出現(xiàn)的葉片不同方向，增強樣本的多樣性；

步驟S1.4、對步驟S1.3處理后的圖像進行圖像增強，采用MSRCP算法減少光照和陰影的影響，具體操作為：

步驟S1.41、首先對圖像每個像素點進行分量相加求均值，然后使用高斯函數(shù)對原始圖像進行低通濾波；

步驟S1.42、將原始圖像與濾波后圖像轉(zhuǎn)換到對數(shù)域做差即將圖像中的低頻成分減掉，得到對數(shù)域的反射圖像；

步驟S1.43、將對數(shù)域的反射圖像在像素層面上進行圖像求和，得到MSR結(jié)果，然后進行線性處理和自動色階平衡；

步驟1.44、把數(shù)據(jù)根據(jù)原始的RGB的比例映射到每個通道，最終整合輸出圖像；

步驟S1.5、通過labelme對于茶葉病害進行數(shù)據(jù)標注，以公開的數(shù)據(jù)集coco數(shù)據(jù)集的格式進行標注，將茶葉病害框選并進行標注。

3.根據(jù)權(quán)利要求1所述的一種基于元學習和深度學習的茶葉病害檢測方法，其特征在于，所述步驟S2中的數(shù)據(jù)集準備和劃分具體操作如下：

將樣本量較多的茶葉病害數(shù)據(jù)集作為基類數(shù)據(jù)集，將樣本量較少的茶葉病害數(shù)據(jù)集作為小樣本數(shù)據(jù)集；將基類數(shù)據(jù)集和小樣本數(shù)據(jù)集混合后按任意比例分割成為訓練集和測試集。