【技術實現步驟摘要】
本說明書涉及機器學習，特別涉及一種禾本科植物倒伏檢測模型的弱監督學習方法。
技術介紹
1、禾本科植物倒伏是農業生產中常見的問題，尤其是在惡劣天氣或病蟲害侵襲時，倒伏現象會嚴重影響農作物的生長和產量。現有的倒伏檢測方法通常依賴大量有標簽數據，這不僅增加了數據獲取和標注的成本，也限制了技術的廣泛應用。隨著深度學習技術的發展，利用無監督學習和少量標簽數據進行高效的倒伏檢測成為一種具有潛力的技術手段。本專利技術提出了一種結合無監督學習和少量標簽微調的禾本科植物倒伏檢測方法，能夠在減少標簽依賴的同時，提高倒伏檢測的準確性和魯棒性。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的一種禾本科植物倒伏檢測模型的弱監督學習方法解決了禾本科植物倒伏檢測負樣本不平衡導致的準確性不高的問題。
2、為了達到上述專利技術目的，本專利技術采用的技術方案為：一種禾本科植物倒伏檢測模型的弱監督學習方法，包括：
3、s1：利用改進編碼器，構建禾本科植物倒伏檢測模型；其中，所述改進編碼器通過對卷積層中resnet原始殘差塊等比例地增加通道數得到；所述禾本科植物倒伏檢測模型包括輸入層、卷積層和輸出層；所述卷積層由多個殘差塊組成，每個殘差塊包含三個跳躍連接的卷積模塊，所述輸出層為全連接結構；
4、s2：利用預訓練損失函數優化禾本科植物倒伏檢測模型的參數，得到預訓練后的禾本科植物倒伏檢測模型；
5、s3：基于弱監督學習，對所述預訓練后的禾本科植物倒伏檢測模型進行微
6、本專利技術的有益效果為：利用改進編碼器，構建禾本科植物倒伏檢測模型，通過預訓練和弱監督學習，得到訓練好的禾本科植物倒伏檢測模型。通過這種方式，能夠在減少標簽依賴，提高禾本科植物倒伏檢測模型的訓練效果；可以有效捕捉禾本科植物的倒伏現象，大大提高倒伏檢測的準確性和魯棒性。
7、進一步地，所述禾本科植物倒伏檢測模型包括：
8、輸入層，用于對輸入圖像進行圖像增強和歸一化處理，得到訓練圖像；
9、卷積層，包含50層深度，最后一個全局平均池化層后連接輸出層，用于通過卷積和池化處理，提取訓練圖像的特征，得到特征向量；
10、輸出層，用于對特征向量進行連接，得到低維空間特征向量。
11、利用這種結構，可以有效提取圖像的高級特征。
12、進一步地，所述s2包括：
13、對所述獲取的禾本科植物圖像進行圖像增強和歸一化處理，得到正樣本對；對除禾本科植物圖像之外的圖像生成的增強樣本作為負樣本對；所述正樣本對和所述負樣本對屬于輸入圖像；
14、利用所述禾本科植物倒伏檢測模型對所述正樣本對和所述負樣本對進行處理，分別得到正樣本對特征向量和負樣本特征向量；
15、基于所述正樣本對特征向量和負樣本特征向量，利用預訓練損失函數進行計算，得到預訓練損失結果；
16、利用所述預訓練損失結果，通過反向傳播算法和adam優化器更新神經網絡的權重，得到預訓練后的禾本科植物倒伏檢測模型。
17、通過這種訓練方式，可以提高模型的性能，使得模型能夠更好地表示圖像特征。
18、進一步地，所述正樣本對特征向量的表達式為：
19、
20、所述負樣本特征向量的表達式為：
21、
22、其中，表示第一正樣本特征向量，f表示輸出層函數，表示第一正樣本，表示第二正樣本特征向量，表示第二正樣本，表示負樣本，表示負樣本特征向量。
23、進一步地，所述預訓練損失結果的表達式為：
24、
25、其中，loss表示預訓練損失結果，n表示正樣本對數量，exp表示自然常數的指數形式，d表示特征空間中的距離，表示第一正樣本特征向量，表示第二正樣本特征向量，τ表示溫度參數，表示負樣本特征向量，i表示正樣本對序號，k表示負樣本對序號。
26、進一步地，所述s3包括：
27、對預訓練后的禾本科植物倒伏檢測模型的權重進行凍結，解凍卷積層最后的殘差塊和輸出層，得到用于弱監督學習的禾本科植物倒伏檢測模型；
28、將少量標注倒伏的禾本科植物圖像和正常禾本科植物圖像作為弱監督輸入數據，輸入所述用于弱監督學習的禾本科植物倒伏檢測模型，得到弱監督學習結果；
29、基于所述弱監督學習結果，利用弱監督損失函數進行參數優化，得到訓練好的禾本科植物倒伏檢測模型。
30、通過這種方式，可以使得倒伏圖像的特征向量在特征空間中遠離正常圖像的特征向量，而不對倒伏圖像進行聚集，確保正常圖像在特征空間中聚集在正常類別代理點附近，而倒伏圖像則分布在遠離正常代理點的區域中，形成明顯的分離，從而提高模型訓練的效率。
31、進一步地，所述弱監督損失函數的表達式為：
32、
33、其中，lproxy表示弱監督損失函數結果，n表示弱監督輸入數據數量，表示正常率，d表示特征空間中的距離，zi表示正常禾本科植物圖像特征向量，pnormal表示更新后正常禾本科植物圖像數量，表示倒伏判斷函數，max表示取最大值函數，m表示超參數的邊界距離，表示正常禾本科植物圖像i1的標簽，i1表示正常禾本科植物圖像序號，α表示代理點學習率，n1表示當前正常禾本科植物圖像數量。
34、進一步地，所述利用禾本科植物倒伏檢測模型對禾本科植物圖像進行倒伏檢測包括：
35、利用禾本科植物倒伏檢測模型的輸出結果的歐式距離，通過計算，得到異常評分：
36、scoreanomaly＝||z-μ||2；
37、其中，scoreanomaly表示異常評分，z表示禾本科植物倒伏檢測模型的輸出結果，μ表示分布中心，表示范數；
38、基于異常評分閾值，對所述異常評分進行分析，得到倒伏檢測結果。
39、進一步地，所述禾本科植物圖像的獲取過程包括：
40、采集禾本科植物在不同生長階段和不同光照條件下的rgb圖像數據，作為禾本科植物圖像；其中，所述生長階段包括抽穗期、灌漿期和成熟期，所述光照條件包括晨光條件、中午光照條件、傍晚條件和均勻光照條件。
本文檔來自技高網...【技術保護點】
1.一種禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，包括：
2.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述禾本科植物倒伏檢測模型包括：
3.根據權利要求2所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述S2包括：
4.根據權利要求3所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述正樣本對特征向量的表達式為：
5.根據權利要求3所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述預訓練損失結果的表達式為：
6.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述S3包括：
7.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述弱監督損失函數的表達式為：
8.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述利用禾本科植物倒伏檢測模型對禾本科植物圖像進行倒伏檢測包括：
9.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特
...【技術特征摘要】
1.一種禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，包括：
2.根據權利要求1所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述禾本科植物倒伏檢測模型包括：
3.根據權利要求2所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述s2包括：
4.根據權利要求3所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述正樣本對特征向量的表達式為：
5.根據權利要求3所述的禾本科植物倒伏檢測模型的弱監督學習方法，其特征在于，所述預訓練損失...
【專利技術屬性】
技術研發人員：蔣霓，張澤宇，鄭樹松，李宗陽，
申請(專利權)人：中國科學院遺傳與發育生物學研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。