[发明专利]一种基于元学习和深度学习的实时茶叶病害情况检测方法、系统、设备及介质

权利要求书

1.一种基于元学习和深度学习的茶叶病害检测方法，其特征在于，具体步骤如下：

步骤S1、采集到茶叶病害图像后，对图片进行数据处理，保存至数据集中；

步骤S2、将数据集进行准备和划分，以茶云纹枯叶病和茶藻斑病作为基类数据集，茶芽枯病作为小样本数据集；

步骤S3、对步骤S2得到的数据集进行训练，通过特征提取网络提取出支持集和查询集的图片特征，通过角点提纯模块增强对于茶叶的特征学习，以支持集的特征增强茶叶病害图像的学习；

步骤S4、对步骤S3得到的数据集进行网络训练，使得不同茶叶病害的权重进行区分；

步骤S5、根据茶田摄像头获取的茶田图像生成病害情况，并给出相应的解决方案。

2.根据权利要求1所述的一种基于元学习和深度学习的茶叶病害检测方法，其特征在于，所述步骤S1中数据处理的具体步骤如下：

步骤S1.1、采集茶叶病害图像，要求保证图像是在自然场景中拍摄，没有对拍摄背景进行控制；

步骤S1.2、对步骤S1.1采集的茶叶病害图像进行裁剪、分割；

步骤S1.3、将步骤S1.2裁剪后的图像进行旋转操作以模拟实际场景中出现的叶片不同方向，增强样本的多样性；

步骤S1.4、对步骤S1.3处理后的图像进行图像增强，采用MSRCP算法减少光照和阴影的影响，具体操作为：

步骤S1.41、首先对图像每个像素点进行分量相加求均值，然后使用高斯函数对原始图像进行低通滤波；

步骤S1.42、将原始图像与滤波后图像转换到对数域做差即将图像中的低频成分减掉，得到对数域的反射图像；

步骤S1.43、将对数域的反射图像在像素层面上进行图像求和，得到MSR结果，然后进行线性处理和自动色阶平衡；

步骤1.44、把数据根据原始的RGB的比例映射到每个通道，最终整合输出图像；

步骤S1.5、通过labelme对于茶叶病害进行数据标注，以公开的数据集coco数据集的格式进行标注，将茶叶病害框选并进行标注。

3.根据权利要求1所述的一种基于元学习和深度学习的茶叶病害检测方法，其特征在于，所述步骤S2中的数据集准备和划分具体操作如下：

将样本量较多的茶叶病害数据集作为基类数据集，将样本量较少的茶叶病害数据集作为小样本数据集；将基类数据集和小样本数据集混合后按任意比例分割成为训练集和测试集。