本發(fā)明涉及農(nóng)業(yè)信息，具體為一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別方法。

背景技術(shù)：

1、在現(xiàn)代農(nóng)業(yè)生產(chǎn)中，植物病害的早期發(fā)現(xiàn)與精準(zhǔn)管理對(duì)提高作物產(chǎn)量和質(zhì)量、減少農(nóng)藥使用量具有至關(guān)重要的意義。然而，植物病害種類繁多、癥狀復(fù)雜，不同病害在不同生長(zhǎng)階段可能表現(xiàn)出多種形式的病變，且同一種病害在不同環(huán)境和宿主植物上也會(huì)呈現(xiàn)不同程度的癥狀。這種復(fù)雜性給傳統(tǒng)人工檢測(cè)帶來(lái)了極大挑戰(zhàn)，人工檢測(cè)不僅需要專業(yè)知識(shí)，而且在大面積農(nóng)田上實(shí)施成本高、效率低。此外，檢測(cè)結(jié)果的準(zhǔn)確性和一致性也難以保障。因此，基于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的自動(dòng)化植物病害識(shí)別逐漸成為農(nóng)業(yè)智能化的重要研究方向，為病害早期診斷和精準(zhǔn)防控提供了新的技術(shù)手段。

2、隨著深度學(xué)習(xí)和圖像識(shí)別技術(shù)的發(fā)展，通過(guò)構(gòu)建大規(guī)模病害圖像數(shù)據(jù)集并利用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，可以從植物病害圖像中提取有效特征，實(shí)現(xiàn)對(duì)病害種類的自動(dòng)識(shí)別。雖然現(xiàn)有的深度學(xué)習(xí)模型在單一病害識(shí)別上取得了較好的效果，但植物病害識(shí)別任務(wù)仍面臨一些顯著的技術(shù)瓶頸和挑戰(zhàn)：

3、多標(biāo)簽病害識(shí)別的挑戰(zhàn)

4、植物病害通常表現(xiàn)為多種病害同時(shí)發(fā)生，且嚴(yán)重程度各不相同，導(dǎo)致病害種類和嚴(yán)重程度標(biāo)簽的復(fù)雜組合。現(xiàn)有的識(shí)別模型通常只能處理單一病害標(biāo)簽，難以有效應(yīng)對(duì)多種病害并存的復(fù)雜場(chǎng)景。在多標(biāo)簽病害識(shí)別中，病害種類與嚴(yán)重程度往往存在復(fù)雜的關(guān)聯(lián)和相互影響，簡(jiǎn)單的標(biāo)簽組合或獨(dú)立標(biāo)簽學(xué)習(xí)方式無(wú)法充分表達(dá)病害間的相互依賴關(guān)系，導(dǎo)致模型在多標(biāo)簽情境下的識(shí)別準(zhǔn)確性和泛化能力不足。對(duì)于實(shí)際農(nóng)業(yè)生產(chǎn)，這種不足限制了自動(dòng)識(shí)別系統(tǒng)的應(yīng)用效果，難以提供準(zhǔn)確的病害類型和嚴(yán)重程度判斷。

5、病害種類與嚴(yán)重程度的層次化識(shí)別需求

6、在實(shí)際病害防控過(guò)程中，準(zhǔn)確識(shí)別病害的種類只是第一步，進(jìn)一步判斷病害的嚴(yán)重程度對(duì)于制定精準(zhǔn)防控措施至關(guān)重要。不同病害種類和嚴(yán)重程度需要不同的處理方案，例如輕微的病害可能僅需監(jiān)測(cè)，而嚴(yán)重的病害則可能需要立即采取措施。然而，現(xiàn)有模型大多為平面化的單層次分類結(jié)構(gòu)，缺乏多層次的細(xì)化分類能力，無(wú)法同時(shí)滿足病害種類和嚴(yán)重程度的聯(lián)合識(shí)別需求。這樣一來(lái)，模型的預(yù)測(cè)結(jié)果難以全面反映病害實(shí)際情況，無(wú)法為農(nóng)業(yè)生產(chǎn)提供高精度的病害防控信息。

7、多任務(wù)學(xué)習(xí)中的動(dòng)態(tài)調(diào)優(yōu)和參數(shù)平衡問(wèn)題

8、深度學(xué)習(xí)模型的性能在很大程度上依賴于超參數(shù)的合理配置，尤其是在同時(shí)處理多個(gè)任務(wù)的多任務(wù)學(xué)習(xí)場(chǎng)景下，病害種類和嚴(yán)重程度分類任務(wù)對(duì)模型資源的需求不盡相同。如何在多任務(wù)學(xué)習(xí)中實(shí)現(xiàn)任務(wù)間的動(dòng)態(tài)平衡，提高整體優(yōu)化效果是一個(gè)重要的技術(shù)難點(diǎn)。傳統(tǒng)的超參數(shù)配置方式通常是靜態(tài)的，且多為人工設(shè)置，缺乏根據(jù)任務(wù)需求動(dòng)態(tài)調(diào)整超參數(shù)的機(jī)制，容易造成任務(wù)間學(xué)習(xí)不均衡、訓(xùn)練不充分等問(wèn)題。這種靜態(tài)配置的模式會(huì)導(dǎo)致模型難以在訓(xùn)練過(guò)程中自適應(yīng)地優(yōu)化各項(xiàng)任務(wù)，限制了多任務(wù)學(xué)習(xí)在病害識(shí)別任務(wù)中的應(yīng)用效果。

9、因此，本發(fā)明提出一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別方法，來(lái)解決現(xiàn)有技術(shù)的不足。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別方法，有效解決了多標(biāo)簽植物病害識(shí)別中的多任務(wù)學(xué)習(xí)、復(fù)雜標(biāo)簽關(guān)聯(lián)、多層次細(xì)化分類和邊緣部署等方面的難題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別方法，包括以下步驟：

3、步驟一：建立植物病害數(shù)據(jù)集，并對(duì)數(shù)據(jù)集中的每個(gè)樣本進(jìn)行多維度標(biāo)簽標(biāo)注，標(biāo)簽包含病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽，生成組合標(biāo)簽矩陣y(x)＝{(li,sj)}，其中l(wèi)i表示病害種類標(biāo)簽，表示嚴(yán)重程度標(biāo)簽，用于表征植物病害的種類和程度的組合關(guān)系；

4、步驟二：對(duì)標(biāo)簽組合的出現(xiàn)頻率進(jìn)行統(tǒng)計(jì)，生成標(biāo)簽共現(xiàn)矩陣c，所述共現(xiàn)矩陣用于表示病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽之間的關(guān)聯(lián)性，其中矩陣元素cij表示病害種類標(biāo)簽li和嚴(yán)重程度標(biāo)簽sj的聯(lián)合出現(xiàn)概率；

5、步驟三：基于所述標(biāo)簽共現(xiàn)矩陣c，構(gòu)建多標(biāo)簽嵌入網(wǎng)絡(luò)，將病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的組合映射到高維嵌入空間，得到每個(gè)組合標(biāo)簽的嵌入向量

6、步驟四：利用圖神經(jīng)網(wǎng)絡(luò)構(gòu)建標(biāo)簽關(guān)聯(lián)模型，以標(biāo)簽共現(xiàn)矩陣為依據(jù)，迭代更新病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的嵌入向量，以捕捉病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽之間的非線性關(guān)聯(lián)；

7、步驟五：構(gòu)建多任務(wù)分支網(wǎng)絡(luò)，所述網(wǎng)絡(luò)包括共享特征層、病害種類分支和嚴(yán)重程度分支，所述共享特征層用于提取植物病害圖像的全局特征，將全局特征分別輸入病害種類分支和嚴(yán)重程度分支中，以生成相應(yīng)的病害種類預(yù)測(cè)結(jié)果和嚴(yán)重程度預(yù)測(cè)結(jié)果；

8、步驟六：構(gòu)建多層次逐步細(xì)化分類模型，通過(guò)兩級(jí)分類模型逐層細(xì)化識(shí)別植物病害的種類和嚴(yán)重程度；

9、步驟七：在模型訓(xùn)練過(guò)程中，基于貝葉斯優(yōu)化進(jìn)行超參數(shù)調(diào)優(yōu)，并動(dòng)態(tài)調(diào)整任務(wù)損失權(quán)重以提升識(shí)別性能；

10、步驟八：將訓(xùn)練完成的模型進(jìn)行壓縮并部署至邊緣設(shè)備，實(shí)現(xiàn)植物病害識(shí)別的實(shí)時(shí)推理。

11、優(yōu)選的，所述步驟二中，所述標(biāo)簽共現(xiàn)矩陣c的生成方法包括基于不同病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的組合頻率，確定矩陣元素cij的值，所述矩陣元素cij的計(jì)算方式為：

12、

13、其中，cij表示病害種類標(biāo)簽li和嚴(yán)重程度標(biāo)簽sj的聯(lián)合出現(xiàn)概率，用于建立多標(biāo)簽間的統(tǒng)計(jì)關(guān)聯(lián)關(guān)系。

14、優(yōu)選的，所述步驟三中，所述多標(biāo)簽嵌入網(wǎng)絡(luò)通過(guò)嵌入層將每個(gè)病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽組合映射為高維嵌入向量嵌入層的映射公式為：

15、

16、其中，所述嵌入向量作為病害標(biāo)簽組合的特征輸入，以保留病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的語(yǔ)義信息，為后續(xù)的標(biāo)簽關(guān)聯(lián)模型提供輸入特征。

17、優(yōu)選的，所述步驟四中，所述圖神經(jīng)網(wǎng)絡(luò)通過(guò)所述標(biāo)簽共現(xiàn)矩陣生成的標(biāo)簽圖g＝(v,e)進(jìn)行特征傳播和更新，以捕捉標(biāo)簽節(jié)點(diǎn)之間的關(guān)系，所述標(biāo)簽節(jié)點(diǎn)特征的更新過(guò)程通過(guò)以下公式實(shí)現(xiàn)

18、

19、其中，為節(jié)點(diǎn)v在第k層的特征表示，表示節(jié)點(diǎn)v的鄰居節(jié)點(diǎn)集合，deg(v)表示節(jié)點(diǎn)v的度數(shù)，w(k)為第k層的權(quán)重矩陣，用于在圖神經(jīng)網(wǎng)絡(luò)中傳播節(jié)點(diǎn)的嵌入特征。

20、優(yōu)選的，所述步驟五中，所述多任務(wù)分支網(wǎng)絡(luò)的總損失函數(shù)由病害種類分支的損失函數(shù)和嚴(yán)重程度分支的損失函數(shù)的加權(quán)組合定義為：

21、

22、其中，λtype和λseverity分別為病害種類任務(wù)和嚴(yán)重程度任務(wù)的權(quán)重系數(shù)，控制多任務(wù)分支網(wǎng)絡(luò)在不同任務(wù)間的學(xué)習(xí)比重，以實(shí)現(xiàn)對(duì)病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的協(xié)同學(xué)習(xí)。

23、優(yōu)選的，所述病害種類分支的損失函數(shù)采用交叉熵?fù)p失，定義為：

24、

25、所述嚴(yán)重程度分支的損失函數(shù)為加權(quán)交叉熵?fù)p失，定義為：

26、

27、其中，βj表示不同嚴(yán)重程度標(biāo)簽的權(quán)重，用于在訓(xùn)練過(guò)程中調(diào)節(jié)不同嚴(yán)重程度的學(xué)習(xí)難度。

28、優(yōu)選的，所述步驟六中，構(gòu)建多層次逐步細(xì)化分類模型，通過(guò)兩級(jí)分類模型逐層細(xì)化識(shí)別植物病害的種類和嚴(yán)重程度，具體步驟如下：

29、通過(guò)共享特征層提取植物病害圖像的全局特征，將共享特征輸入至病害種類分支和嚴(yán)重程度分支；

30、病害種類分支使用交叉熵?fù)p失函數(shù)進(jìn)行訓(xùn)練，嚴(yán)重程度分支使用加權(quán)交叉熵?fù)p失函數(shù)進(jìn)行訓(xùn)練；

31、所述加權(quán)交叉偏損失函數(shù)的權(quán)重βj用于平衡不同嚴(yán)重程度標(biāo)簽的學(xué)習(xí)，定義為：

32、

33、其中，pj表示模型對(duì)嚴(yán)重程度標(biāo)簽sj的預(yù)測(cè)概率，βj為該標(biāo)簽的權(quán)重。

34、優(yōu)選的，所述動(dòng)態(tài)調(diào)整任務(wù)損失敗重步驟中，動(dòng)態(tài)雙重調(diào)整系數(shù)λdynamic的計(jì)算公式為：

35、

36、其中，為第t+1次迭代后的任務(wù)損失權(quán)重，η為調(diào)整步長(zhǎng)。

37、優(yōu)選的，所述將訓(xùn)練完成的模型部署至邊緣設(shè)備包括以下步驟：

38、對(duì)訓(xùn)練完成的模型進(jìn)行壓縮，包括剪枝、量化和知識(shí)蒸餾，以降低模型計(jì)算復(fù)雜度；

39、將壓縮后的模型部署到邊緣設(shè)備上，通過(guò)推理加速引擎實(shí)現(xiàn)實(shí)時(shí)推理。

40、優(yōu)選的，一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別裝置，其特征在于，包括：

41、數(shù)據(jù)采集模塊，用于采集植物病害圖像數(shù)據(jù)，并對(duì)所述數(shù)據(jù)進(jìn)行預(yù)處理，生成具有病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽的多維標(biāo)簽矩陣；

42、多標(biāo)簽嵌入模塊，與所述數(shù)據(jù)采集模塊連接，用于將病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽組合映射為高維嵌入向量，形成多標(biāo)簽特征表示；

43、標(biāo)簽關(guān)聯(lián)建模模塊，與所述多標(biāo)簽嵌入模塊連接，用于基于標(biāo)簽共現(xiàn)矩陣構(gòu)建標(biāo)簽圖，并通過(guò)圖神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)簽嵌入向量進(jìn)行關(guān)聯(lián)建模，捕捉不同病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽之間的關(guān)系；

44、多任務(wù)分支模塊，與所述標(biāo)簽關(guān)聯(lián)建模模塊連接，用于根據(jù)共享特征層提取的植物病害圖像全局特征，分別對(duì)病害種類和嚴(yán)重程度進(jìn)行預(yù)測(cè)，生成病害種類識(shí)別結(jié)果和嚴(yán)重程度分類結(jié)果；

45、多層次分類模塊，與所述多任務(wù)分支模塊連接，用于基于病害種類的初步分類結(jié)果，進(jìn)一步對(duì)病害嚴(yán)重程度進(jìn)行細(xì)化分類，形成逐層細(xì)化的病害分類體系；

46、動(dòng)態(tài)優(yōu)化模塊，與所述多任務(wù)分支模塊和多層次分類模塊連接，用于通過(guò)自動(dòng)調(diào)優(yōu)策略優(yōu)化所述多任務(wù)分支模塊和多層次分類模塊中的模型參數(shù)，以提升識(shí)別精度和模型收斂速度；

47、邊緣計(jì)算模塊，與所述多任務(wù)分支模塊連接，用于將經(jīng)過(guò)壓縮的模型部署至邊緣設(shè)備，通過(guò)推理加速引擎執(zhí)行植物病害圖像的實(shí)時(shí)識(shí)別。

48、本發(fā)明提供了一種基于多標(biāo)簽策略的植物疾病和嚴(yán)重程度識(shí)別方法。具備以下有益效果：

49、1、本發(fā)明通過(guò)采用多標(biāo)簽嵌入與基于圖神經(jīng)網(wǎng)絡(luò)的標(biāo)簽關(guān)聯(lián)建模技術(shù)，將病害種類標(biāo)簽和嚴(yán)重程度標(biāo)簽映射到高維嵌入空間，并構(gòu)建標(biāo)簽圖結(jié)構(gòu)來(lái)捕捉病害種類和嚴(yán)重程度標(biāo)簽之間的潛在關(guān)聯(lián)。該技術(shù)方案達(dá)到了有效表達(dá)病害標(biāo)簽語(yǔ)義關(guān)系并深入挖掘標(biāo)簽間非線性關(guān)聯(lián)的技術(shù)效果，使得模型能夠更精確地識(shí)別病害類型及其嚴(yán)重程度。相較于現(xiàn)有技術(shù)中采用的標(biāo)簽組合或獨(dú)立標(biāo)簽學(xué)習(xí)的方案，本發(fā)明通過(guò)標(biāo)簽關(guān)聯(lián)建模解決了無(wú)法捕捉標(biāo)簽之間復(fù)雜依賴關(guān)系的問(wèn)題，提升了多標(biāo)簽學(xué)習(xí)的精準(zhǔn)度和魯棒性，特別是在復(fù)雜多標(biāo)簽場(chǎng)景下保證了模型的穩(wěn)定性和識(shí)別效果。

50、2、本發(fā)明創(chuàng)新性地采用多任務(wù)分支網(wǎng)絡(luò)與多層次逐步細(xì)化分類模型的協(xié)同方案，通過(guò)共享特征層提取植物病害圖像的全局特征，同時(shí)在病害種類和嚴(yán)重程度任務(wù)上獨(dú)立分支進(jìn)行深度學(xué)習(xí)，進(jìn)而通過(guò)兩級(jí)分類結(jié)構(gòu)實(shí)現(xiàn)病害種類的粗分類與嚴(yán)重程度的細(xì)化分類。該技術(shù)方案達(dá)到了在同一模型中同時(shí)優(yōu)化病害種類和嚴(yán)重程度分類的技術(shù)效果，能夠確保在多標(biāo)簽情境中提升病害種類與嚴(yán)重程度識(shí)別的整體精度。相較于現(xiàn)有技術(shù)中單一分類器或缺少逐層細(xì)化分類設(shè)計(jì)的方案，本發(fā)明的技術(shù)方案解決了因任務(wù)耦合導(dǎo)致的分類準(zhǔn)確度下降和標(biāo)簽混淆問(wèn)題，使得病害種類和嚴(yán)重程度的分類逐層優(yōu)化，實(shí)現(xiàn)了分類精度和細(xì)化能力的雙提升。

51、3、本發(fā)明引入了基于貝葉斯優(yōu)化的超參數(shù)自動(dòng)調(diào)優(yōu)和任務(wù)損失權(quán)重的動(dòng)態(tài)調(diào)整策略，使模型能夠在訓(xùn)練過(guò)程中實(shí)時(shí)調(diào)節(jié)學(xué)習(xí)率、任務(wù)權(quán)重等關(guān)鍵超參數(shù)，實(shí)現(xiàn)多任務(wù)的平衡性與穩(wěn)定性優(yōu)化。該技術(shù)方案達(dá)到了在訓(xùn)練過(guò)程中自適應(yīng)優(yōu)化各任務(wù)學(xué)習(xí)速率的技術(shù)效果，使得模型能夠更快地收斂并在病害種類和嚴(yán)重程度識(shí)別任務(wù)之間達(dá)到學(xué)習(xí)平衡。相較于現(xiàn)有技術(shù)中靜態(tài)配置超參數(shù)及固定任務(wù)權(quán)重的方案，本發(fā)明的技術(shù)方案有效解決了傳統(tǒng)方法中因缺乏動(dòng)態(tài)調(diào)整導(dǎo)致的學(xué)習(xí)不均衡和局部最優(yōu)問(wèn)題，提高了多任務(wù)模型的收斂效率和訓(xùn)練穩(wěn)定性，保證了在病害種類和嚴(yán)重程度的多任務(wù)學(xué)習(xí)中達(dá)到較優(yōu)的協(xié)同效果。

52、4、本發(fā)明通過(guò)模型剪枝、量化和知識(shí)蒸餾等壓縮技術(shù)，并結(jié)合推理加速引擎在邊緣設(shè)備上進(jìn)行部署，顯著降低了模型的計(jì)算復(fù)雜度與存儲(chǔ)需求，使模型在資源受限的邊緣設(shè)備上實(shí)現(xiàn)了高效運(yùn)行和實(shí)時(shí)推理。該技術(shù)方案達(dá)到了在農(nóng)業(yè)現(xiàn)場(chǎng)快速響應(yīng)病害識(shí)別的技術(shù)效果，使病害種類和嚴(yán)重程度的識(shí)別結(jié)果能夠在低延遲下實(shí)時(shí)呈現(xiàn)。相較于現(xiàn)有技術(shù)中將模型部署在云端或未經(jīng)過(guò)壓縮的方案，本發(fā)明通過(guò)本地邊緣部署有效解決了邊緣設(shè)備計(jì)算資源限制和網(wǎng)絡(luò)延遲較高的問(wèn)題，實(shí)現(xiàn)了在農(nóng)田或溫室等實(shí)時(shí)監(jiān)測(cè)場(chǎng)景中快速、低功耗的病害識(shí)別應(yīng)用，為現(xiàn)場(chǎng)病害管理提供了更及時(shí)、更精準(zhǔn)的技術(shù)支持。