本發(fā)明涉及農(nóng)業(yè)，尤其涉及一種茶葉病害識(shí)別模型的創(chuàng)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、茶葉是非常受人們歡迎的一種飲品，也是中國(guó)文化中一個(gè)極具內(nèi)涵的文化符號(hào)。中國(guó)是茶的故鄉(xiāng)，也是全球第一大產(chǎn)茶國(guó)，我國(guó)的茶葉總產(chǎn)量占全球茶葉總產(chǎn)量40％以上。在茶葉的種植與生產(chǎn)中，一些多發(fā)、易發(fā)的病害對(duì)茶葉的產(chǎn)量與品質(zhì)帶來(lái)了很大的危害，比如茶白星病不僅對(duì)新茶嫩葉危害嚴(yán)重而且發(fā)病率極高，茶葉輪斑病在整個(gè)茶樹(shù)的生長(zhǎng)周期內(nèi)都可能發(fā)生。因此，茶葉病害的防治工作極為重要，在茶葉種植中必須采取措施快速識(shí)別并及時(shí)治理一些頑固病害。雖然在歷經(jīng)千年的茶葉種植歷史中，人們積累了豐富的病害防治經(jīng)驗(yàn)，但這需要大量的茶園巡查辨別工作，對(duì)人力要求很高但效率卻非常低下。

2、在人工智能技術(shù)對(duì)傳統(tǒng)農(nóng)業(yè)不斷滲透的今天，如果能夠使用計(jì)算機(jī)技術(shù)提升茶葉種植的智能化水平，實(shí)現(xiàn)對(duì)茶葉病害的智能防治，對(duì)于促進(jìn)茶產(chǎn)業(yè)的智能化升級(jí)具有重要的推動(dòng)作用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種茶葉病害識(shí)別模型的創(chuàng)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

2、為了實(shí)現(xiàn)上述發(fā)明目的之一，本發(fā)明一實(shí)施方式提供了一種茶葉病害識(shí)別模型的創(chuàng)建方法，包括以下步驟：獲取多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息；生成茶葉病害識(shí)別模型，所述茶葉病害識(shí)別模型包含有mobilenetv3模型、超輕量注意力模型和全連接層；基于多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息，對(duì)所述茶葉病害識(shí)別模型進(jìn)行訓(xùn)練。

3、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，在所述mobilenetv3模型中，卷積運(yùn)算模塊重新劃分為224×224、112×112、56×56、28×28、14×14、7×7和1×1共計(jì)7個(gè)卷積運(yùn)算組，對(duì)其中大小為56×56、28×28和14×14的三個(gè)卷積運(yùn)算組的輸出的特征向量分別作pcbr處理，所述pcbr處理包括：池化運(yùn)算、卷積運(yùn)算、批次歸一化運(yùn)算和relu非線性激活四種運(yùn)算，其中，池化運(yùn)算采用沿高與寬兩個(gè)維度的全局最大池化，將h×w×c形狀的特征圖壓縮為1×1×c，其中，h、w和c分別指代特征圖的高度、寬度和通道數(shù)；卷積運(yùn)算采用1×1×c的卷積核，并應(yīng)用組數(shù)為8的分組卷積處理，將池化運(yùn)算后的特征映射為1×1×320；relu非線性激活通過(guò)bn批次歸一化與relu處理對(duì)數(shù)據(jù)作非線性映射；之后，對(duì)其中大小為56×56、28×28和14×14的三個(gè)卷積運(yùn)算組輸?shù)奶卣飨蛄吭谶M(jìn)行拼接運(yùn)算，從而獲得多階段特征融合的形狀為1×1×960的張量，將所述張量變換為32×30×1的形狀，并應(yīng)用大小為3×3、步長(zhǎng)為2的卷積核將所述向量收縮為16×15×1的中間張量，然后使用大小為3×3、步長(zhǎng)為2的轉(zhuǎn)置卷積恢復(fù)形狀，再重新變換形狀獲得1×1×960的分支向量fb；最后將fb與主干網(wǎng)絡(luò)提取的1×1×960維向量fb作如下的加權(quán)合并：f＝fg+λfb，其中，λ為特征融合系數(shù)；在獲得f之后，繼續(xù)執(zhí)行mobilenetv3的后續(xù)卷積運(yùn)算獲得映射到1280維空間的嵌入向量。

4、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述超輕量注意力模型中的通道注意力子模型的具體計(jì)算過(guò)程為：首先沿高與寬兩個(gè)維度分別執(zhí)行最大池化處理與平均池化處理，從而獲得兩個(gè)1×1×c的特征張量和將特征張量和進(jìn)一步變形后獲得形狀為hr×wr×2的三維張量其中，[]表示張量的拼接運(yùn)算，vec-1()表示由向量到矩陣的變換，hr與wr是通過(guò)對(duì)c作差值最小的整數(shù)分解獲得：hr×wr＝c，hr≥wr，并且hr與wr差值盡可能小三個(gè)條件需要同時(shí)滿足；之后，先對(duì)所述三維張量應(yīng)用大小為3×3、填充為1并且步長(zhǎng)為1的卷積核作卷積運(yùn)算獲得hr×wr×1的臨時(shí)張量，再使用步長(zhǎng)為2的卷積核將其高度與寬度分別縮小到hr/2與wr/2，之后，使用轉(zhuǎn)置卷積獲得形狀恢復(fù)為hr×wr大小的張量t′，之后，使用relu激活函數(shù)，其中，為轉(zhuǎn)置卷積運(yùn)算，下標(biāo)中的3，2分別指代卷積核大小與步長(zhǎng)值；之后，對(duì)t′應(yīng)用softmax函數(shù)，將t′變形為1×1×c形狀，即可獲得通道注意力加權(quán)張ach∈r1×1×c，ach＝vec(softmax(t′))，其中，vec()為由矩陣到向量的變換運(yùn)算；在獲得ach后，最終的通道注意力hch∈rh×w×c，其中，表示將ach中每個(gè)通道維度的元素與x中對(duì)應(yīng)通道的平面相乘，x∈rh×w×c為特征圖。

5、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述超輕量注意力模型中的空間注意力子模塊的具體計(jì)算過(guò)程為：首先對(duì)其沿通道維度分別執(zhí)行最大池化與平均池化，獲得2個(gè)形狀為h×w×1的過(guò)程張量與過(guò)程張量對(duì)過(guò)程張量與過(guò)程張量作拼接處理獲得h×w×1的臨時(shí)張量，對(duì)所述臨時(shí)張量使用3×3大小、填充為1并且步長(zhǎng)為1的卷積核作卷積運(yùn)算，之后，在使用relu激活函數(shù)；然后，對(duì)relu激活函數(shù)獲得的結(jié)果作softmax處理，從獲得了空間注意力的加權(quán)矩陣之后，asp與特征圖x的每個(gè)空間位置處的所有通道元素作相乘處理得到空間注意力

6、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述“基于多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息，對(duì)所述茶葉病害識(shí)別模型進(jìn)行訓(xùn)練”具體包括：對(duì)每個(gè)圖像均進(jìn)行以下處理：將所述圖像放大到256×256的像素大小，再?gòu)闹行膱?zhí)行隨機(jī)裁剪操作，裁切出224×224像素大小的子圖；對(duì)所述子圖的三個(gè)通道都進(jìn)行歸一化處理，歸一化時(shí)使用的均值為[0.485，0.456，0.406]，標(biāo)準(zhǔn)差為[0.229，0.224，0.225]；作概率為0.5的隨機(jī)水平翻轉(zhuǎn)處理，作概率為0.5的隨機(jī)旋轉(zhuǎn)處理，旋轉(zhuǎn)的角度為-30°～30°之間的隨機(jī)數(shù)值；對(duì)圖像色相、飽和度與亮度作概率為0.5的隨機(jī)抖動(dòng)操作，抖動(dòng)值為0～0.2之值的隨機(jī)數(shù)值；之后，將所述圖像替換為所述子圖；之后，基于多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息，對(duì)所述茶葉病害識(shí)別模型進(jìn)行訓(xùn)練。

7、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，在所述茶葉病害識(shí)別模型中，交叉熵?fù)p失函數(shù)值其中，n為訓(xùn)練批次中的圖像的數(shù)量，k為該批次中圖像的類別數(shù)，為圖像的真實(shí)標(biāo)簽，在采用獨(dú)熱編碼時(shí)，僅當(dāng)k與所在類別相同時(shí)取值為1，∈∈(0,1)為標(biāo)簽平滑參數(shù)，為模型預(yù)測(cè)結(jié)果，中心損失函數(shù)其中，cyi指代所有屬于類別yi的樣本的中心；根據(jù)下式計(jì)算模型在當(dāng)前訓(xùn)練批次圖像上的損失函數(shù)l＝lxe+βlce，其中，β為中心損失函數(shù)lce的加權(quán)系數(shù)，lce>0。

8、作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，β＝0.0003。

9、本發(fā)明實(shí)施例還提供了一種用于茶葉病害的識(shí)別模型的創(chuàng)建裝置，包括以下模塊：信息獲取模塊，用于獲取多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息；模型生成模塊，用于生成茶葉病害識(shí)別模型，所述茶葉病害識(shí)別模型包含有mobilenetv3模型、超輕量注意力模型和全連接層；模型訓(xùn)練模塊，用于基于多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息，對(duì)所述茶葉病害識(shí)別模型進(jìn)行訓(xùn)練。

10、本發(fā)明實(shí)施例還提供了一種設(shè)備，包括：存儲(chǔ)器，用于存儲(chǔ)可執(zhí)行指令；處理器，用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的可執(zhí)行指令時(shí)，實(shí)現(xiàn)上述的創(chuàng)建方法。

11、本發(fā)明實(shí)施例還提供了一種存儲(chǔ)介質(zhì)，存儲(chǔ)有可執(zhí)行指令，用于引起處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述的創(chuàng)建方法。

12、相對(duì)于現(xiàn)有技術(shù)，本發(fā)明的技術(shù)效果在于：本發(fā)明實(shí)施例提供一種茶葉病害識(shí)別模型的創(chuàng)建方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，該創(chuàng)建方法包括：獲取多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息；生成茶葉病害識(shí)別模型，所述茶葉病害識(shí)別模型包含有mobilenetv3模型、超輕量注意力模型和全連接層；基于多個(gè)茶葉的圖像，以及每個(gè)圖像對(duì)應(yīng)的病蟲(chóng)害信息，對(duì)所述茶葉病害識(shí)別模型進(jìn)行訓(xùn)練。該茶葉病害識(shí)別模型能夠?qū)Σ枞~病蟲(chóng)害進(jìn)行自動(dòng)識(shí)別。