[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

说明书

一种基于元学习和深度学习的茶叶病害检测方法、系统、设备及介质，其方法包括S1、采集图像并进行数据处理；S2、将数据集进行准备和划分；S3、对数据集进行训练；S4、对数据集进行网络训练；S5、生成病害情况并给出相应的解决方案；其系统、设备及介质用于基于元学习和深度学习实时对茶叶病害情况进行检测；本发明考虑到真实场景中受光线影响，通过MSR算法以模拟实际场景中的不同光照情况，提高算法的鲁棒性和泛化性；利用元学习的方法增强模型对于小样本数据的学习，能够在少量样本的情况下就具有识别茶叶病害的能力；缓解了茶叶病害检测样本量不足的问题，并且针对于茶叶形态在目标检测上进行了改进，具有效率高，成本低和准确率高的特点。

技术领域

本发明属于茶叶病害检测技术领域，尤其涉及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。

背景技术

深度学习技术被广泛应用于植物生长状态的监测和病虫害的识别之中。目前，现有的深度学习技术在相关茶叶病害检测领域通过特征提取网络提取茶叶的特征图后，通过卷积神经网络进行分类和识别，这样的检测对于样本量有着极高的需求，而茶叶病害的图像往往存在着样本量不足的问题，同时目前的检测网络大多是以人类和车辆为目标进行优化和性能提升，缺乏对于茶叶形态的针对性检测。

中国专利CN109165623B公开了一种基于深度学习的水稻病斑检测方法及系统，属于图像处理技术领域，包括：照片样本集和人工标注样本集，将照片样本集和人工标注样本集按照比例进行切分，形成第二照片样本集和第二人工标注样本集；将第二照片样本集和第二人工标注样本集输入Linknet网络模型，并基于Pytorch深度学习框架对Linknet网络模型进行训练得到最优模型；利用最优模型识别当前需要检测的水稻病斑图像，计算水稻病斑面积占比并对病害情况进行分级。该专利通过采用Pytorch深度学习框架的Linknet网络模型，虽然能够提升水稻叶片病斑识别的泛化能力以及野外实用性，提高信息利用率，有利于后续定量施药，降低环境污染，但由于缺乏对于少量样本的检测能力，具有泛化性弱的缺点，同时对于自然环境中的茶叶病害检测缺乏针对性的处理。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提出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，通过摄像头实时捕获茶田的图片，改进的卷积神经网络对图片进行目标检测以及病害分类，能够实时地框选出病害部位，并给出病害检测结果，然后对于当前的茶叶病害情况进行评分，得出当前拍摄茶块的病害程度，之后用户通过系统给出的推荐病害防治方案采取相应的病害处理以及防治措施，具有节约资源，降低成本的特点。

为了实现上述目的，本发明采用如下技术方案：

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，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；

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。

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；