本申請屬于農(nóng)作物病蟲害監(jiān)測技術，尤其涉及一種模型訓練方法、裝置、設備、介質(zhì)及產(chǎn)品。

背景技術：

1、隨著科技的不斷發(fā)展，遙感技術、人工智能和大數(shù)據(jù)分析技術被應用于農(nóng)作物病蟲害監(jiān)測中，相對于傳統(tǒng)的依賴農(nóng)民的經(jīng)驗和定期的田間檢查等監(jiān)測方式，這些技術有效地提高了農(nóng)作物病蟲害監(jiān)測和預測的準確性和效率，從而為實現(xiàn)精準農(nóng)業(yè)管理提供了基礎。

2、然而，目前通常采用的分類模型在處理復雜的農(nóng)業(yè)數(shù)據(jù)時準確度并不高，泛化能力有限，導致模型復雜度較高，影響其對農(nóng)作物病蟲害類型的分類準確率，使得模型的分類效率和穩(wěn)健度較低。

技術實現(xiàn)思路

1、本申請實施例提供一種模型訓練方法、裝置、設備、介質(zhì)及產(chǎn)品，能夠降低分類模型的復雜度，提高其對農(nóng)作物病蟲害類型的分類準確率，使得模型的分類效率和穩(wěn)健度更高。

2、第一方面，本申請實施例提供一種模型訓練方法，該方法包括：

3、獲取多個農(nóng)作物圖像樣本，所述農(nóng)作物圖像樣本包括農(nóng)作物圖像及其對應的病蟲害類型標注信息；

4、對所述農(nóng)作物圖像進行特征提取，得到圖像特征信息；

5、利用分支界限算法根據(jù)所述圖像特征信息對所述多個農(nóng)作物圖像樣本進行分類，構建多個決策樹，得到隨機森林；

6、根據(jù)所述多個決策樹對所述多個農(nóng)作物圖像樣本的分類結果，確定所述多個農(nóng)作物圖像樣本的病蟲害類型預測結果；

7、根據(jù)所述多個農(nóng)作物圖像樣本的病蟲害類型標注信息以及所述病蟲害類型預測結果，調(diào)整所述隨機森林的參數(shù)，得到分類模型，所述分類模型用于根據(jù)農(nóng)作物圖像識別農(nóng)作物的病蟲害類型。

8、第二方面，本申請實施例提供了一種模型訓練裝置，該裝置包括：

9、樣本獲取模塊，用于獲取多個農(nóng)作物圖像樣本，所述農(nóng)作物圖像樣本包括農(nóng)作物圖像及其對應的病蟲害類型標注信息；

10、特征提取模塊，用于對所述農(nóng)作物圖像進行特征提取，得到圖像特征信息；

11、決策樹構建模塊，用于利用分支界限算法根據(jù)所述圖像特征信息對所述多個農(nóng)作物圖像樣本進行分類，構建多個決策樹，得到隨機森林；

12、結果確定模塊，用于根據(jù)所述多個決策樹對所述多個農(nóng)作物圖像樣本的分類結果，確定所述多個農(nóng)作物圖像樣本的病蟲害類型預測結果；

13、參數(shù)調(diào)整模塊，用于根據(jù)所述多個農(nóng)作物圖像樣本的病蟲害類型標注信息以及所述病蟲害類型預測結果，調(diào)整所述隨機森林的參數(shù)，得到分類模型，所述分類模型用于根據(jù)農(nóng)作物圖像識別農(nóng)作物的病蟲害類型。

14、第三方面，本申請實施例提供了一種電子設備，該電子設備包括：處理器以及存儲有計算機程序指令的存儲器；

15、處理器執(zhí)行所述計算機程序指令時實現(xiàn)如第一方面的任一項實施例中所述的模型訓練方法的步驟。

16、第四方面，本申請實施例提供了一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序指令，計算機程序指令被處理器執(zhí)行時實現(xiàn)如第一方面的任一項實施例中所述的模型訓練方法的步驟。

17、第五方面，本申請實施例提供了一種計算機程序產(chǎn)品，計算機程序產(chǎn)品中的指令由電子設備的處理器執(zhí)行時，使得所述電子設備執(zhí)行如第一方面的任一項實施例中所述的模型訓練方法的步驟。

18、本申請實施例中的模型訓練方法、裝置、設備、介質(zhì)及產(chǎn)品，通過在訓練針對農(nóng)作物病蟲害的分類模型的過程中，采用分支界限法來構建決策樹，形成隨機森林，進而綜合決策樹對各個農(nóng)作物圖像樣本的分類結果，分析得到各個農(nóng)作物圖像樣本的病蟲害類型預測結果，通過對比病蟲害類型預測結果以及各個農(nóng)作物圖像樣本的病蟲害類型標注信息，不斷調(diào)整隨機森林的參數(shù)，得到最終的分類模型。由于本申請實施例中在生成隨機森林時是采用分支界限法來實現(xiàn)的，而該分支界限法能夠在決策樹的構建過程中有效地選擇最佳分割點，因此可以減少隨機森林中所需決策樹的數(shù)量，降低分類模型的復雜度，同時還提高了分類模型對農(nóng)作物病蟲害類型的分類準確率，使得模型的分類效率和穩(wěn)健度更高。

技術特征：

1.一種模型訓練方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述利用分支界限算法根據(jù)所述圖像特征信息對所述多個農(nóng)作物圖像進行分類，構建多個決策樹，得到隨機森林，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述根據(jù)所述圖像特征信息對所述樣本集合中所包含的農(nóng)作物圖像樣本按照信息增益最大化原則進行分類，構建對應的決策樹，包括：

4.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)所述多個決策樹對所述多個農(nóng)作物圖像樣本的分類結果，確定所述多個農(nóng)作物圖像樣本的病蟲害類型預測結果，包括：

5.根據(jù)權利要求1所述的方法，其特征在于，在對所述農(nóng)作物圖像進行特征提取，得到圖像特征信息之前，所述方法還包括：

6.根據(jù)權利要求5所述的方法，其特征在于，所述利用蟻群算法從所述關鍵特征區(qū)域中確定病蟲害關鍵特征，包括：

7.根據(jù)權利要求5所述的方法，其特征在于，所述利用所述病蟲害關鍵特征訓練目標神經(jīng)網(wǎng)絡，得到特征提取模型，包括：

8.根據(jù)權利要求1所述的方法，其特征在于，在對所述農(nóng)作物圖像進行特征提取，得到圖像特征信息之后，所述方法還包括：

9.根據(jù)權利要求8所述的方法，其特征在于，在對所述圖像特征信息進行降維處理，得到降維后的圖像特征信息之前，所述方法還包括：

10.根據(jù)權利要求1-9任一項所述的方法，其特征在于，在根據(jù)所述多個農(nóng)作物圖像樣本的病蟲害類型標注信息以及所述病蟲害類型預測結果，調(diào)整所述隨機森林的參數(shù)，得到分類模型之后，所述方法還包括：

11.一種模型訓練裝置，其特征在于，包括：

12.一種電子設備，其特征在于，所述設備包括：處理器以及存儲有計算機程序指令的存儲器；

13.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如權利要求1-10任意一項所述的模型訓練方法的步驟。

14.一種計算機程序產(chǎn)品，其特征在于，所述計算機程序產(chǎn)品中的指令由電子設備的處理器執(zhí)行時，使得所述電子設備執(zhí)行如權利要求1-10任意一項所述的模型訓練方法的步驟。

技術總結
本申請公開了一種模型訓練方法、裝置、設備、介質(zhì)及產(chǎn)品。該模型訓練方法包括獲取多個農(nóng)作物圖像樣本，農(nóng)作物圖像樣本包括農(nóng)作物圖像及其對應的病蟲害類型標注信息；對農(nóng)作物圖像進行特征提取，得到圖像特征信息；利用分支界限算法根據(jù)圖像特征信息對多個農(nóng)作物圖像樣本進行分類，構建多個決策樹，得到隨機森林；根據(jù)多個決策樹對多個農(nóng)作物圖像樣本的分類結果，確定多個農(nóng)作物圖像樣本的病蟲害類型預測結果；根據(jù)多個農(nóng)作物圖像樣本的病蟲害類型標注信息以及病蟲害類型預測結果，調(diào)整隨機森林的參數(shù)，得到分類模型。根據(jù)本申請實施例，可以降低分類模型的復雜度，提高其對農(nóng)作物病蟲害類型的分類準確率，使得模型的分類效率和穩(wěn)健度更高。

技術研發(fā)人員：唐立
受保護的技術使用者：中移物聯(lián)網(wǎng)有限公司
技術研發(fā)日：
技術公布日：2024/12/19