CN113869098B 植物病害识别方法、装置、电子设备及存储介质 （甘肃农业大学）

号思想与元学习相结合的小样本植物病害识别方实际病害分类器的参数初始值以及集成分类器2将所述待识别植物病害的目标图像输入至植物病害识别模型中，其中，所述植物病害识别模型是基于元学习和集成分类的训确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器{BL1，NTi其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得学习器反映了对一般植物病害的特征提取和识别能力；其次再将元学习器学习得到的参3.根据权利要求1或2所述的植物病害识别方图像样本组成目标数据集Sde，Sde包含了待识别的植物病害图像及对应的植物病害类型标que}，以步骤S6训练得到的元学习器ML的参数θ作为初始参数以及在Nact组训练任务{BL1BLNT}作为可部署的植物病害识别器，其中，决策时用步骤S6的决策权重w对32i以第BLi-1的参数p-1作为初始参数，对Tsup的第"其中s,(":p,)是BLi对病害图像的预测结果，wi是步骤S6结束时训练得到决策权识别模块，用于将所述待识别植物病害的目标图像输入至植物病害识其中，所述植物病害识别模型是基于集成分类和元学习的训确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器4初始化各基学习器的初始决策权重步骤S4包括：步骤S41：以所述元学习器的参数θ初始化BL1；步骤S42：依次地训练i的初始参数为经训练的BLi-1的参数，训练对其中，植物病害识别结果是根据新的集成分类器中的每个分类器的输出进行加权得9.一种电子设备，包括存储器、处理器及存储在程序被处理器执行时实现根据权利要求1至7任一项所述植物病害识别56数量图像样本组成目标数据集Sde，Sde包含了待识别的植物病害图像及对应的植物病害类数θ,确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器初始化各基学习器的初始决策权重[0017]步骤S4：以θ作为初始值，在每组Tsup以算法1依次训练BL1,BL2……BLY,S更新[0021]步骤S7：重新构造一组新的基学习器(BL1,BL2……BLY⃞,从Sde抽样出Nact7"关于计算出的梯度；[0037]步骤S51：计算所述Ninner组训练任务中的Lque平均值作为所述总体元损失函数[0048]识别模块，用于将所述待识别植物病害的目标图像输入得到所述植物病害识别模型输出的植物病害8该计算机程序被处理器执行时实现根据第一方面所述植物病[0070]本发明的总体思路是首先通过在一般植物病害集合Stv上的学习，训练出元学习9程所起作用就能凭借少量数据(Stv)的识别任务和几次的训练快速适应新的识别任务数量图像样本组成目标数据集Sde，Sde包含了待识别的植物病害图像及对应的植物病害类数θ,确定待训练的基学习器数量NT，建立一组网络结构与元学习器ML相同的基学习器初始化各基学习器的初始决策权重学习的原理与集成学习相结合的方法解决该问题。首先收集一些不包括以上5种病害的其[0085]步骤S7：重新构造一组新的基学习器(BL1,BL2……BLY},从Sde抽样出Nact[0103]步骤S51：计算所述Ninner组训练任务中的Lque平均值作为所述总体元损失函数[0116]识别模块420，用于将所述待识别植物病害的目标图像输入至植物病害识别模型[0128]此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；