[发明专利]基于混合维度迁移学习的花卉病害识别系统

权利要求书

1.一种基于混合维度迁移学习的花卉病害识别方法，其特征在于，包括：

步骤S1，使用光谱传感器在线采集未采摘的待分析花卉的病害可见光数据；

步骤S2，增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据，并对数据进行划分数据集；

步骤S3，引入迁移学习方法构建多维度混合的花卉病害识别模型；

步骤S4，花卉病害类别识别。

2.根据权利要求1所述的基于混合维度迁移学习的花卉病害识别方法，其特征在于，所述步骤S2，增大病害可见光数据的信噪比，对数据进行去噪后得到更加可靠的数据，并对数据进行划分数据集，具体如下：

采用光谱传感器采集数据，首先通过多元散射校正光学散射影响，增大可见光谱数据的信噪比，其次利用二阶光谱导数处理复杂背景以及基线漂移带来的干扰，最后利用高斯函数提取可见光谱数据的峰值，将得到的多个峰值进行分离，分离后的峰值对步骤S1中采集的初始可见光数据进行拟合，得到拟合后的光谱曲线，如公式1所示：

公式1：

其中x为波长，y为光强度，A是分离后的可见光谱峰面积，μ表示峰顶位置，ω为峰宽，是基线位置，

使用固定的自动数据增强策略进行数据增强处理，将上述处理后的数据以8∶1∶1划分网络的训练集、验证集和测试集。

3.根据权利要求1所述的基于混合维度迁移学习的花卉病害识别方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S301，创建ConvNet迁移学习框架；

使用TensorBoard的图形可视化对数据集创建一套R、G、B通道内核权重为3×3的滤波器，通过三个通道生成32个滤波器，构建由512个神经元完全连接的神经网络层，以此为池化层的每个像素设置一个权重连接，最后使用softmax函数得到输出；

步骤S302，多维度混合缩放ConvNet；

缩放网络可以在不减小输入波形图的前提下提高数据的识别精度，本发明从网络的深度、宽度和分辨率三个维度对网络进行混合性的缩放，这种混合性缩放有助于自适应增减网络的深度，在识别目标特征时更加细致、性能更强，首先规定网络的深度d、宽度w和分辨率r，如公式2所示：

公式2：d＝α^φ；w＝β^φ；r＝γ^φ

(α·β²·γ²≈2，α≥1，β≥1，γ≥1)

公式₂中为在混合性缩放策略中用户指定的控制网格缩放的系数，α、β、γ是在原始ConvNet网络的格子中进行搜索得到的常量，用来决定在缩放时多余的资源如何分配给深度、宽度和分辨率；

步骤S303、融合经典的迁移学习方法训练得到花卉病害识别模型；

得到多维度混合缩放后的模型后，提取出模型的最后两层融合经典的迁移学习方法启动迁移任务，在这两层上对数据集进行训练，经过一定的迭代批次得到本次训练的最优模型之后，再改用微调网络的方法对此模型进行二次优化训练，经过设定好的迭代次数之后可生成需要的模型文件。

4.根据权利要求1所述的基于混合维度迁移学习的花卉病害识别方法，其特征在于，所述步骤S4主要是向步骤S3构建好的花卉病害识别模型输入待检测的花卉病害可见光数据，网络识别数据并标注出花卉病害的种类，无须采摘花卉即可达到花卉病害种类识别目的。

5.一种基于混合维度迁移学习的花卉病害识别系统，其特征在于，包括：

采集模块，主要由光谱传感器采集待分析花卉的病害的可见光数据。

存储模块，用于存储真菌类病害、细菌类病害、病毒类病害三大类中的常见病害。

识别模块，所述识别模块与所述存储模块、采集模块通信相连，从采集模块接收到数据后进行分析处理，对比存储模块中的数据，得到最终结果返回给设备终端。

设备终端，主要为移动终端，用于为用户反馈信息。