[發明專利]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、設備及介質

在審

• 申請號: 202310265059.2
• 申請日: 2023-03-17
• 公開（公告）號: CN116168299A
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 沈飛廉;權義寧;林國清;宋建鋒;苗啟廣;劉如意
• 申請（專利權）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: 西安智大知識產權代理事務所 61215
• 代理人: 楊曄

一種基于元學習和深度學習的茶葉病害檢測方法、系統、設備及介質，其方法包括S1、采集圖像并進行數據處理；S2、將數據集進行準備和劃分；S3、對數據集進行訓練；S4、對數據集進行網絡訓練；S5、生成病害情況并給出相應的解決方案；其系統、設備及介質用于基于元學習和深度學習實時對茶葉病害情況進行檢測；本發明考慮到真實場景中受光線影響，通過MSR算法以模擬實際場景中的不同光照情況，提高算法的魯棒性和泛化性；利用元學習的方法增強模型對于小樣本數據的學習，能夠在少量樣本的情況下就具有識別茶葉病害的能力；緩解了茶葉病害檢測樣本量不足的問題，并且針對于茶葉形態在目標檢測上進行了改進，具有效率高，成本低和準確率高的特點。

技術領域

本發明屬于茶葉病害檢測技術領域，尤其涉及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、設備及介質。

背景技術

深度學習技術被廣泛應用于植物生長狀態的監測和病蟲害的識別之中。目前，現有的深度學習技術在相關茶葉病害檢測領域通過特征提取網絡提取茶葉的特征圖后，通過卷積神經網絡進行分類和識別，這樣的檢測對于樣本量有著極高的需求，而茶葉病害的圖像往往存在著樣本量不足的問題，同時目前的檢測網絡大多是以人類和車輛為目標進行優化和性能提升，缺乏對于茶葉形態的針對性檢測。

中國專利CN109165623B公開了一種基于深度學習的水稻病斑檢測方法及系統，屬于圖像處理技術領域，包括：照片樣本集和人工標注樣本集，將照片樣本集和人工標注樣本集按照比例進行切分，形成第二照片樣本集和第二人工標注樣本集；將第二照片樣本集和第二人工標注樣本集輸入Linknet網絡模型，并基于Pytorch深度學習框架對Linknet網絡模型進行訓練得到最優模型；利用最優模型識別當前需要檢測的水稻病斑圖像，計算水稻病斑面積占比并對病害情況進行分級。該專利通過采用Pytorch深度學習框架的Linknet網絡模型，雖然能夠提升水稻葉片病斑識別的泛化能力以及野外實用性，提高信息利用率，有利于后續定量施藥，降低環境污染，但由于缺乏對于少量樣本的檢測能力，具有泛化性弱的缺點，同時對于自然環境中的茶葉病害檢測缺乏針對性的處理。

發明內容

為了克服上述現有技術的不足，本發明的目的在于提出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、設備及介質，通過攝像頭實時捕獲茶田的圖片，改進的卷積神經網絡對圖片進行目標檢測以及病害分類，能夠實時地框選出病害部位，并給出病害檢測結果，然后對于當前的茶葉病害情況進行評分，得出當前拍攝茶塊的病害程度，之后用戶通過系統給出的推薦病害防治方案采取相應的病害處理以及防治措施，具有節約資源，降低成本的特點。

為了實現上述目的，本發明采用如下技術方案：

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，具體步驟如下：

步驟S1、采集到茶葉病害圖像后，對圖片進行數據處理，保存至數據集中；

步驟S2、將數據集進行準備和劃分；

步驟S3、對步驟S2得到的數據集進行訓練，通過特征提取網絡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得到的數據集進行網絡訓練，使得不同茶葉病害的權重進行區分；

步驟S5、根據茶田攝像頭獲取的茶田圖像生成病害情況，并給出相應的解決方案。

所述步驟S1中數據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操作以模擬實際場景中出現的葉片不同方向，增強樣本的多樣性；