【技術實現步驟摘要】
本專利技術屬于計算機視覺和自然語言處理，尤其涉及一種基于概念增強的零樣本植物病害圖像表征描述生成方法。
技術介紹
1、作物在生長過程中常會受到各種病害的威脅，影響其產量和品質。因此，及時、準確地分析和描述主糧類作物的病理性狀，對其高質量生長監測和病害診斷具有重要意義。通過精準的病理性狀描述，可以實現早期病害預警和精確的病害防治，從而保障作物的健康生長和高產。通過精準的病理性狀描述，可以實現早期病害預警和精確的病害防治，從而保障作物的健康生長和高產。例如，通過對水稻葉片上的病斑進行詳細描述，可以幫助農民及時發現并采取措施，防止病害的進一步蔓延。同樣，對于小麥的銹病，通過準確描述其癥狀和發生部位，可以幫助農民選擇合適的農藥進行防治，減少產量損失。
2、植物病害圖像表征描述技術在作物病蟲害識別、農業遙感圖像解析、農業機器人視覺導航以及農產品品質評估等方面具有廣泛的應用潛力。通過學習不同類別之間的共享特征，該技術能夠生成準確的自然語言描述，幫助農民識別和應對新的病蟲害，解析復雜的農業場景，為農民提供更全面、準確的信息，助力他們做出更好的決策。零樣本圖像描述技術在農業領域的廣泛應用，有望推動智慧農業的發展，為現代農業注入新的活力。
3、這幾年，對植物病害圖像表型的病理形狀描述生成的研究主要是通過使用預訓練視覺編碼器構建輸入圖像的特征，并利用適配器將這些特征映射到嵌入，然后作為語言模型的輸入部分進行處理。然而，盡管這些方法在理論上具有很大的潛力，但在實際應用中仍存在一些問題：
4、1.基于注意力機制的視覺
5、2.高昂的計算資源消耗，為使預訓練模型適應特定任務，通常需進行大量計算資源和時間的微調。這一過程不僅要求高性能計算設備，還需高質量的圖像文本對數據集以確保準確的圖像特征學習和描述生成。然而，數據集的收集和標注耗時耗力，且數據質量直接影響模型性能。即便投入大量資源，微調后模型性能的提升仍可能微弱，難以滿足實際需求。這些問題為資源有限的研究團隊和個人帶來了巨大挑戰，限制了零樣本學習的廣泛應用。
6、綜上所述，植物病害圖像表型的病理形狀描述生成是一個具有重要研究價值和發展前景的課題。
技術實現思路
1、為解決上述技術問題，本專利技術將提出一種基于概念增強的零樣本植物病害圖像表征描述生成方法，本專利技術旨在改善植物病理形狀描述的準確性和全面性，彌補當前眾多方法的缺陷，從而構建一個高效、準確的植物病害圖像表型描述方法。
2、本專利技術提供了一種基于概念增強的零樣本植物病害圖像表征描述生成方法，包括：
3、獲取植物病害圖像；
4、基于所述植物病害圖像，獲取植物病害圖像表征描述數據集和原始文本；
5、基于所述表征描述數據集，獲取支持文本；
6、基于所述支持文本和原始文本，構建依存結構有向圖，其中，所述依存結構有向圖用于表明所述支持文本和原始文本之間的對應依存關系；
7、根據所述依存結構有向圖，獲取關鍵概念對；
8、將所述關鍵概念對輸入至大型語言llama3模型，獲取真實描述文本。
9、可選的，獲取植物病害圖像表征描述數據集包括：
10、收集植物病害圖像，并對所述植物病害圖像進行類別標注；
11、對標注的所述植物病害圖像進行數據處理，獲取植物病害圖像表征描述數據集。
12、可選的，對標注的所述植物病害圖像進行數據處理，獲取植物病害圖像表征描述數據集包括：
13、對標注的所述植物病害圖像進行目標圖片去除處理，并修正對應的病害種類；
14、基于修正后的所述植物病害圖像，利用深度學習算法生成標簽信息；
15、根據所述標簽信息構建描述模版，基于所述描述模版，獲取植物病害圖像表征描述數據集。
16、可選的，基于所述植物病害圖像，獲取所述原始文本包括：
17、將所述植物病害圖像輸入至使用凍結圖像編碼器和大型語言模型引導語言圖像的第二預訓練模型中，獲取所述原始文本，其中，所述第二預訓練模型由視覺編碼器、查詢生成器和語言解碼器組成；
18、所述視覺編碼器，用于提取圖像的高維特征；
19、所述查詢生成器，用于根據所述高維特征，生成聯合的多模態表示；
20、所述語言解碼器，用于生成文本描述。
21、可選的，基于所述表征描述數據集，獲取支持文本包括：
22、利用對比語言-圖像預訓練模型的文本編碼器，分別對所述植物病害圖像表征描述數據集和所述植物病害圖像進行編碼；
23、計算編碼后的表征描述數據集和植物病害圖像的相似度，基于計算結果，篩選目標本，獲得所述支持文本。
24、可選的，基于所述支持文本，構建依存結構有向圖包括：
25、利用spacy庫對原始文本和所述支持文本進行語法分析，獲取依存結構；
26、對所述依存結構中兩個節點之間添加有向邊，對所述有向邊添加屬性，獲得所述依存結構有向圖。
27、可選的，根據所述依存結構有向圖，獲取關鍵概念對包括：
28、對所述依存結構有向圖進行概念過濾，獲取概念類型；
29、利用對比語言-圖像預訓練模型計算所述概念類型與植物病害圖像的相似度分數；
30、根據所述相似度分數對概念進行篩選，獲取最優關鍵概念；
31、將所述最優關鍵概念進行映射，生成所述關鍵概念對。
32、可選的，所述大型語言llama3模型利用交叉熵損失函數訓練而成。
33、與現有技術相比，本專利技術具有如下優點和技術效果：
34、本專利技術解決了傳統方法受限于對單一作物的過度依賴，導致模型在面對其他作物時泛化能力不足，難以適應多樣化的作物病害識別需求的問題。本專利技術以零樣本學習的圖像描述模型為基礎，確保了模型在不同作物病害上的泛化能力，能夠有效處理未見過的作物病害類型，避免了對單一作物數據集的過度擬合。并且，本專利技術在架構中融入了一個概念引入修正模塊，該修正模塊對其他方法生成的原始文本進行修正處理。這一模塊不僅補充了描述生成過程中可能遺漏的關鍵細節，還特別引入了植物病理學領域的專業術語，使得生成的描述不僅包含病害的基本特征，還能涵蓋病狀的具體形態、發展程度等專業信息，使生成的描述更貼合領域需求，增強了描述的準確性和專業性。通過這些改進，本專利技術實現了既能具有良好泛化性，又能生成帶有細節信息的植物病害圖像表型描述方法。這將有助于更準確地識別和描述植物病害，為農業生產提供更可靠的支持。
本文檔來自技高網...【技術保護點】
1.一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，包括：
2.根據權利要求1所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，獲取植物病害圖像表征描述數據集包括：
3.根據權利要求2所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，對標注的所述植物病害圖像進行數據處理，獲取植物病害圖像表征描述數據集包括：
4.根據權利要求1所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，基于所述植物病害圖像，獲取所述原始文本包括：
5.根據權利要求1所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，基于所述表征描述數據集，獲取支持文本包括：
6.根據權利要求1所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，基于所述支持文本，構建依存結構有向圖包括：
7.根據權利要求1所述的一種基于概念增強的零樣本植物病害圖像表征描述生成方法，其特征在于，根據所述依存結構有向圖，獲取關鍵概念對包括：
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。