[发明专利]一种反卷积引导的半监督植物叶部病害识别与分割方法

权利要求书

1.一种反卷积引导的半监督植物叶部病害识别与分割方法，其特征在于，包括以下步骤：

步骤1：构建卷积神经网络模型，初始化卷积神经网络模型的网络参数，并构建与卷积神经网络模型同样参数的指数加权平均EMA模型；

步骤2：植物叶部图像中带有图像级标签或像素级标签的图像为有标记样本，既无图像级标签也无像素级标签的图像为无标记样本，将有标记样本和无标记样本用于卷积神经网络模型训练，对有标记样本进行一次图像增强，对无标记样本进行多次图像增强，增强方式为随机裁剪后进行图像翻转，每个无标记样本产生若干个增强的样本；

对若干个增强的样本进行一致性正则化，即计算增强的样本的平均概率分布，再通过熵最小化得到无标记样本类别预测的伪标签，用于训练植物叶部病害识别网络；

步骤3：训练植物叶部病害识别网络时，对于每个训练批次，将增强后的有标记样本和进行K次增强的无标记样本进行图像混合以及标签混合，将得到的混合图像输入卷积神经网络，利用混合图像进行半监督病害分类，得到病害类别信息并输出；

采用交叉熵和L2正则化分别对有标记样本和无标记样本计算损失，并使用指数加权平均法更新网络参数并输入卷积神经网络；

步骤4：对植物叶部病害识别网络输出的预测病害类别信息进行上采样；

步骤5：对于每个病害类别，从每类病害的有标记样本中选择若干张图像进行像素级标记，使用所选的像素级标记样本进行半监督病斑分割，得到病斑分割图；

计算每个像素的二分类交叉熵损失，使用权值衰减法更新网络参数；

步骤6：将EMA模型作为每个训练批次的最终模型，每个训练批次训练结束后，使用测试集评估其识别准确率和分割精度。

2.根据权利要求1所述的反卷积引导的半监督植物叶部病害识别与分割方法，其特征在于，步骤2具体包括：

步骤2-1：将经过一次数据增强的有标记样本记为：

其中，x_b为有标记样本的图像数据，B表示批大小，b代表此批次的第b个样本，代表有标记样本经过数据增强后的图像数据；

将无标记样本经过K种数据增强，得到若干个增强的样本分别记为：

其中，K是数据增强种类的总量，k代表当前样本的增强种类，u_b是无标记样本的图像数据，代表无标记样本经过第k种数据增强后的图像数据；

步骤2-2：将每个增强的样本输入到分类器，采用softmax函数获取类别的概率分布，并计算类别的平均概率分布

其中，p_model(y|x；θ)代表一个模型，其为输入x和当前网络参数θ生成一个概率分布，y为当前样本的真实标签；

步骤2-3：对类别的平均概率分布采用锐化函数处理，得到无标记样本的类别预测伪标签q_b：

其中，T是温度参数，Sharpen(·)为锐化函数。

3.根据权利要求2所述的反卷积引导的半监督植物叶部病害识别与分割方法，其特征在于，步骤2-3中的锐化函数为：

其中，N_c为图像级标签的总类别数，T是温度参数，用于对分类熵进行调节；p是类别的概率分布；i代表当前样本，p_j代表当前样本在第j个类别的概率分布。