[发明专利]基于半监督学习训练中草药病虫害识别模型的方法与系统

说明书

本发明公开了一种基于半监督学习训练中草药病虫害识别模型的方法，包括：获取包括多个样本图像的标注图像数据集，每个样本图像标注有对应的样本病理类型标签；基于样本图像训练Resnet50深度学习模型，得到第一标注模型；获取包含多个未标注图像的未标注图像数据集，将未标注图像输入至第一标注模型中，得到各个未标注图像对应的病理类型及其对应的概率值；基于标注图像数据集与各个未标注图像的病理类型及其对应的概率值训练第一标注模型对应的finetune模型，以得到中草药病虫害识别模型；通过中草药病虫害识别模型对待标注的中草药图像进行识别，提高了识别的精确度。本发明涉及智慧医疗场景中，从而推动智慧城市的建设。

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种基于半监督学习训练中草药病虫害识别模型的方法与系统。

背景技术

目前，深度学习是大数据时代的算法利器，成为近几年的研究热点。和传统的人工智能算法相比，深度学习技术有着两方面的优势。一是深度学习技术可随着数据规模的增加不断提升其性能，而传统人工智能算法(包括基于规则的专家系统)难以利用海量数据持续提升其性能。二是深度学习技术可以从数据中直接提取特征，削减了对每一个问题设计特征提取器的工作，而传统人工智能算法需要人工提取特征，例如传统的医学专家系统就需要基于数据进行专家规则的提取。深度学习技术所具有的优势在某些领域已经取得不错的进展，例如，基于深度卷积网络的图像分类技术已超过人眼的准确率，基于深度神经网络的语音识别技术已达到95％的准确率，基于深度神经网络的机器翻译技术已接近人类的平均翻译水平。

在中草药病虫害图像数据标注方面，中草药病虫害图像数据标注工作耗时、人力成本投入量大、成本高；中草药病虫害图像数据标注需要经验丰富的中草药专家才能标注，标注难度大；少量标注数据无法满足识别精度要求。

由于以上问题，深度学习技术目前在中草药病虫害图像数据标注方面缺少成熟有效的系统，多源不规整的中草药病虫害图像数据标注也未获得有效利用。

发明内容

有鉴于此，本发明实施例的目的是提供一种基于半监督学习训练中草药病虫害识别模型的方法与系统，提高中草药病虫害识别模型的训练的精确度，应用时得到更为准确的识别结果。

为实现上述目的，本发明实施例提供了一种基于半监督学习训练中草药病虫害识别模型的方法，包括：

获取标注图像数据集，所述标注图像数据集包括多个样本图像，其中，每个样本图像中具有与所述样本图像对应的样本病理类型标签；

基于所述标注图像数据集中的样本图像训练Resnet50深度学习模型，得到第一标注模型；

获取未标注图像数据集，将所述未标注图像集中包含的多个未标注图像输入至所述第一标注模型中，得到各个未标注图像对应的病理类型以及所述病理类型对应的概率值；

将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型；

获取待标注的中草药图像，将所述待标注的中草药图像输入至所述中草药病虫害识别模型中，以得到所述中草药图像的目标病理类型以及所述目标病理类型对应的目标概率值。

进一步地，所述将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集，基于所述新训练数据集训练所述第一标注模型对应的finetune模型，以得到中草药病虫害识别模型包括：

将所述标注图像数据集与所述各个未标注图像对应的病理类型以及所述病理类型对应的概率值组合成新训练数据集；