用于作物病害诊断的系统和方法与流程

用于作物病害诊断的系统和方法
1.相关申请的交叉引用
2.本技术还要求2021年12月14日提交的美国专利申请第17/551,126号的优先权，其全部内容在此引入作为参考。
技术领域
3.本公开涉及作物病害诊断系统和用于诊断作物病害的方法，更具体地，涉及基于图像的作物病害诊断系统和用于基于作物图像诊断作物病害的方法。


背景技术：

4.作物病害的防治是农业发展的重要课题。为了预防和控制作物病害，农民需要能够快速和容易地分类或识别植物病害的系统和方法。此外，技术人员或专业人员还可能需要作物病害诊断系统来获得作物病害的信息，用于研究和开发解决方案或预防方法。
5.另一种可能性是发现新的作物病害。目前，能够快速、准确地对新作物病害进行分类的系统能够极大地帮助农业发展，为进一步的研究提供信息。
6.本公开的实施例通过提供智能分类系统和方法来解决上述需要，所述智能分类系统和方法用于快速且正确地分类作物病害，并且还在发现新的作物病害时提供系统的可扩展灵活性。


技术实现要素：

7.本文公开了作物病害诊断系统和用于诊断作物病害的方法的实施例。
8.一方面，公开了一种作物病害诊断系统。作物病害诊断系统包括通信模块、作物病害数据库和作物特征分类模块。通信模块被配置为接收作物图像。所述作物病害数据库存储至少一个作物病害样本案例。所述作物特征分类模块被配置为提取所述作物图像的特征向量表示，将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较，以及对与所述作物图像相关联的作物病害进行分类。通过特征提取网络提取作物图像的特征向量表示，并且在作物病害的分类期间从特征提取网络中去除完全连接的层。
9.另一方面，公开了诊断作物病害的方法。接收作物图像，并通过特征提取网络提取作物图像的特征向量表示。将作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对作物病害进行分类。在作物病害的分类期间，从特征提取网络中去除完全连接的层。
10.在另一方面，公开了一种用于构建作物病害诊断系统的特征提取网络的方法。提供多个样本作物图像，每个样本作物图像用一个样本作物病害注释。分析多个样本作物图像以获得原始特征提取网络。从原始特征提取网络中去除完全连接的层以获得特征提取网络。
11.在又一方面，公开了一种其上存储有指令的非暂时性计算机可读介质。所述指令由至少一个处理器执行，并使所述至少一个处理器执行用于诊断作物病害的方法。接收作
物图像，并通过特征提取网络提取作物图像的特征向量表示。将作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对作物病害进行分类。在作物病害的分类期间，从特征提取网络中去除完全连接的层。
12.应当理解，前面的一般性描述和下面的详细描述都仅仅是示例性和解释性的，并不限制所要求保护的本发明。
附图说明
13.并入本文并形成说明书的一部分的附图示出了本公开的实现，并与说明书一起进一步用于解释本公开并使相关领域的技术人员能够制造和使用本公开。
14.图1示出了根据本公开的实施例的示例性作物病害诊断系统。
15.图2示出了根据本公开的实施例的示例性作物病害诊断系统。
16.图3示出了根据本公开的实施例的示例性特征提取网络构建过程。
17.图4示出了根据本公开的实施例的示例性作物病害分类过程。
18.图5是根据本公开的实施例的用于诊断作物病害的示例性方法的流程图。
19.图6是根据本公开的实施例的用于构建作物病害诊断系统的特征提取网络的示例性方法的流程图。
20.将参考附图描述本公开的实现。
具体实施方式
21.现在将详细参考示例性实施例，其示例在附图中示出。只要可能，在所有附图中使用相同的附图标记来表示相同或相似的部件。
22.近年来，深度学习技术的发展从各方面推动了工业生产的进步与进步。在农业领域，深度学习技术也广泛用于作物生长周期的各个阶段。为了更好地监测作物的健康和生长状态，需要基于作物或作物叶片的图像的诊断系统和方法。
23.然而，用于诊断作物病害的传统作物病害诊断系统或深度学习方法通常依赖于大量样本图像和高精度训练数据集。为了诊断或分类作物病害的类型，需要大量的注释图像数据作为输入，然后基于这些数据执行复杂的计算。这些操作不仅增加了数据收集的难度，而且还需要人力和硬件资源来对所收集的图像进行分类和注释，这增加了构建这种诊断系统的成本。
24.此外，传统图像分类模型的结果限于已经出现在训练数据中的应用场景。当新的应用场景出现并导致模型分类和识别的类型增加时，传统的图像分类模型必须重新收集数据并重新训练全新的模型。如果图像分类模型需要频繁扩展，则重新训练将不仅耗时，而且导致原始训练投资的浪费。
25.本公开的实施例提供了用于基于具有快速扩展能力的作物图像来诊断作物病害的基于图像的作物病害诊断系统和方法。该系统和方法可以应用于在外部外观上具有可观察到的病害的所有类型的作物(例如，稻、玉米、小麦、马铃薯、番茄、卷心菜等)。作物病害诊断系统可以在原始模型的基础上，以较少的训练或甚至没有额外的训练来扩展，并且训练方法将模型的分类结果扩展到更大的应用范围。
26.图1示出了根据本公开的实施例的作物病害诊断系统100。作物病害诊断系统100
包括用户终端102、通信模块104、作物特征分类模块106和作物病害数据库108。应当理解，根据本公开，用户终端102可以是或可以不是系统100的一部分。用户终端102可以获取成像数据并具有双向数据传输能力。一方面，用户终端102可用于获得作物图像并将所获得的作物图像发送到通信模块104。在一些实施例中，用户终端102可以是拍照即用手机或能够获取图像的任何其它合适的设备。用户终端102能够拍摄运动、静止或两种类型的图像。在一些实施例中，用户可以使用用户终端102拍摄在农田上看到的作物的照片，并将照片发送到通信模块104。另一方面，用户终端102可以从系统100的其它模块或组件接收数据。例如，当作物病害诊断系统100对作物图像进行分类时，分类结果可被发送到用户终端102。
27.通信模块104可以耦合到用户终端102和作物特征分类模块106。它可以从用户终端102接收作物图像并将作物图像发送到作物特征分类模块106。此外，在对作物图像进行分类之后，通信模块104可以将分类结果发送到用户终端102。此外，在一些实施例中，在建立作物病害诊断系统的特征提取网络的训练过程期间，通信模块104可被配置为接收样本作物图像并将样本作物图像发送到作物特征分类模块106，其中每个样本作物图像被注释有样本作物病害。
28.作物特征分类模块106可以提取每个作物图像的特征向量表示。作物病害数据库108可以存储至少一个作物病害样本案例。将每个作物图像的特征向量表示与存储在作物病害数据库108中的作物病害样本案例进行比较，以对与作物图像相关联的作物病害进行分类。
29.图2示出了根据本公开的实施例的具有详细架构的作物病害诊断系统100。在一些实施例中，用户可以使用用户终端102(例如，手机)将作物照片作为作物图像并通过网络将作物图像上载到具有作物病害诊断系统100的服务器。作物图像可以由作物特征分类模块106处理，并且可以通过实时反馈获得诊断结果。
30.在一些实施例中，由用户终端102获取的作物图像可被发送到通信模块104，通信模块104将图像作为输入作物图像121转发到作物特征分类模块106。在作物分类模块106内，输入作物图像121可经由特征提取网络110转换为特征向量表示123。换句话说，通过特征提取网络110提取输入作物图像121的特征向量表示123。然后，可以将输入作物图像121的特征向量表示123与存储在作物病害数据库108中的一个或多个作物病害样本案例125进行比较。当找到匹配结果时，分类结果可以被发送到通信模块104，并且通信模块104可以将分类结果转发到用户终端102。
31.在一些实施例中，在输入作物图像121的特征向量表示123与作物病害数据库108中的任何作物病害样本案例125不匹配的情况下，作物特征分类模块106可以进一步更新作物病害数据库108。在这种情况下，作物特征分类模块106可以使用不匹配的作物图像来更新作物病害数据库108或提示用户终端102拍摄更多的作物图像。例如，一旦没有找到匹配的结果，就可以从特征提取网络110向聚类算法112提供特征向量表示123，从而可以获得示例性样本案例127。示例性样本案例127可被添加到作物病害数据库108以扩展作物病害数据库108。更新的作物病害数据库108可用于将来对该新的作物病害进行分类。
32.图3示出了根据本公开的实施例的用于构建作物病害诊断系统100的特征提取网络110的特征提取网络构建过程300。在一些实现中，可以基于深度学习图像分类模型来构建特征提取网络312。首先，用作物病害信息注释一定数量的样本作物图像302，以便生成注
释的图像数据。基于注释的图像数据执行卷积神经网络(cnn)的监督学习训练，以获得原始特征提取网络304。原始特征提取网络304可以包括完全连接的层306。当将注释的图像数据馈送到原始特征提取网络304时，可以应用图像分类的预训练模型。此外，在模型训练中，该方法采用多任务学习的训练策略来同时识别作物类型308和作物病害310。
33.如图3所示，在训练原始特征提取网络304之后，可以去除完全连接的层306以获得特征提取网络312。特征提取网络312可以将图像(例如，作物图像)转换或提取为特征向量表示。
34.特征提取网络构建过程300使用完全连接的层306来提取多个样本作物图像302的特征向量表示并获得原始特征提取网络304。每个样本作物图像302与至少一个作物病害样本案例相关联。特征提取网络构建过程300还基于特征向量表示用样本作物病害注释每个样本作物图像302。多个样本作物图像302的特征向量表示至少指示与每个样本作物图像302相关联的作物类型308和作物病害310。为了提取特征向量表示，首先通过使用完全连接的层306将每个样本作物图像302的空间信息转换成原始特征提取网络302。然后，从原始特征提取网络302中去除完全连接的层306，以获得特征提取网络312。
35.与传统的分类深度学习模型相比，本公开的系统大大缩短了深度神经网络训练所需的处理时间，提高了模型的识别精度，避免了模型的过拟合，降低了复杂模型对图像中的光照、背景和其他拍摄环境的依赖性，增强了模型的泛化和扩展能力。此外，本公开中的系统通过去除完全连接的层306来保留特征提取网络312，使模型重量轻，提供将模型部署到不同计算平台的可能性，并减少由深度学习模型占用的计算资源。
36.图4示出了根据本公开的实施例的作物病害分类过程400。在一些实现中，用户可以通过使用用户终端102(例如，蜂窝电话)来获得作物叶子的图像402，并且将图像402与样本图像404、406和408进行比较。样本图像404、406和408的特征向量表示存储在作物病害数据库108中。图像402与图像404、406和408的比较可以首先通过使用特征提取网络110提取作物图像402的特征向量表示以获得图像402的特征向量表示123，然后将图像402的特征向量表示123与存储在作物病害数据库108中的样本图像404、406和408的特征向量表示进行比较。如图4所示，样本图像406可以具有与图像402相同的特征向量表示。在一些实施例中，样本图像406可以具有与图像402最近或最相似的特征向量表示。与样本图像406相关联的作物病害可以通过通信模块104返回到用户终端102，并且识别或分类结果可以显示给用户。
37.在一些实施例中，作物病害诊断系统和用于诊断作物病害的方法可以使用最近邻算法来获得两个或多个图像之间的相似度。在一些实施例中，将对应于输入图像(例如图像402)的特征向量表示与不同样本案例中的每一个的特征向量表示(例如图像404、406和408)之间的相似度进行比较，使得基于特征向量表示的相似度来识别或分类作物类型、作物病害或两者。例如，可以选择具有特征向量表示的最高相似度的样本案例来对输入图像中示出的新案例进行分类。因为特征提取网络110是去除完全连接的层的轻量级模型，所以处理时间将被缩短，并且处理负载将被减少。
38.与常规分类模型相比，基于使用本公开中已知样本的相似性程度，可以更好地处理特殊和极端案例。此外，通过采用多样本比较模式，可以降低本公开中的模型的训练难度，并且可以提高模型的最终精度。
39.图5是根据本公开的实施例的用于诊断作物病害的方法500的流程图。在操作502中，接收作物图像。在一些实施例中，用户可以使用用户终端(例如，蜂窝电话)来获得作物图像，作物图像随后由作物病害诊断系统通过通信接口接收。然后，在操作504中，通过特征提取网络提取作物图像的特征向量表示。
40.在一些实施例中，可以通过使用多个样本作物图像来预先建立特征提取网络。每个样本作物图像可以表示一种作物病害。可以首先获得多个样本作物图像的空间信息，然后通过使用完全连接的层将每个样本作物图像的空间信息转换成原始特征提取网络。每个样本作物图像的原始特征提取网络可以至少包括作物类型和作物病害类型。在基于多个样本作物图像构建原始特征提取网络之后，从原始特征提取网络中去除完全连接的层，然后获得简化且轻量的特征提取网络模型。在去除完全连接的层之后，特征提取网络可以将多个样本作物图像部署为特征向量表示，并且可以通过样本作物病害和/或样本作物类型来注释每个样本作物图像的特征向量表示。在一些实施例中，样本作物图像的特征向量表示可以存储在作物病害数据库中。
41.在操作504中，可以通过使用特征提取网络来提取在操作502中获得的作物图像的特征向量表示。然后，在操作506中，可以将所提取的作物图像的特征向量表示与存储在作物病害数据库中的样本作物图像的特征向量表示进行比较。在一些实施例中，可以通过使用最近邻算法将所提取的作物图像的特征向量表示与存储在作物病害数据库中的样本作物图像的特征向量表示进行比较以获得相似度。具有最高具有最高相似性程度的作物病害作为分类结果。然后，可以对作物病害和/或作物图像的作物类型进行分类。
42.在一些实施例中，在将每个样本作物图像的空间信息转换成原始特征提取网络的同时，可以用卷积神经网络(cnn)分析每个样本作物图像以获得每个样本作物图像的空间信息，然后可以通过完全连接的层将每个样本作物图像的空间信息转换成原始特征提取网络。
43.在一些实施例中，在将所提取的作物图像的特征向量表示与存储在作物病害数据库中的样本作物图像的特征向量表示进行比较的操作506之后，作物图像的特征向量表示可能不匹配作物病害数据库中的任何作物病害样本案例。在这种情况下，本公开还为作物病害数据库提供了扩展灵活性。
44.当作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例中的任何一个不匹配时，作物病害数据库可以通过对作物图像的特征向量表示应用聚类算法来更新。对作物图像的特征向量表示执行聚类分析，以找到最接近作物图像的特征向量表示的一个作物病害样本案例。然后，将对应于作物图像的特征向量表示的示例性样本案例添加到作物病害数据库，并且示例性样本案例可指示最接近作物图像的特征向量表示的作物病害和/或作物类型。
45.图6是根据本公开的实施例的用于构建作物病害诊断系统的特征提取网络的方法600的流程图。在操作602，提供多个样本作物图像，每个样本作物图像预先注释有一个样本作物病害。在一些实施例中，可以由用户使用用户终端(例如，蜂窝电话)来提供和注释样本作物图像。在一些实施例中，可以在构建作物病害数据库时提供和注释样本作物图像。
46.在操作604中，分析多个样本作物图像以获得原始特征提取网络。在一些实施例中，用卷积神经网络(cnn)分析每个样本作物图像以获得每个样本作物图像的空间信息。然
后，每个样本作物图像的空间信息可以通过完全连接的层转换为原始特征提取网络，得到每个样本作物图像的特征向量表示。
47.在操作606中，在由完全连接的层获得原始特征提取网络之后，从原始特征提取网络中去除完全连接的层以获得特征提取网络。在去除完全连接的层之后，特征提取网络可以将多个样本作物图像部署为特征向量表示，并且可以通过样本作物病害和/或样本作物类型来注释每个样本作物图像的特征向量表示。在一些实施例中，样本作物图像的特征向量表示可以存储在作物病害数据库中。由于特征提取网络是去除完全连接的层的轻量模型，因此可以缩短处理时间，减少处理负荷。
48.在一些实施例中，在通过使用方法600建立特征提取网络之后，用于诊断作物病害的方法500可以使用该特征提取网络来执行诊断操作以对作物病害进行分类。例如，用户可以使用用户终端获得新的作物图像，并且可以提取新的作物图像的特征向量表示。可以将新作物图像的特征向量表示与由方法600构建的作物病害数据库中的特征向量表示进行比较。
49.此外，在一些实施例中，当新作物图像的特征向量表示与作物病害数据库中的任何特征向量表示不匹配时，方法600可进一步更新作物病害数据库。例如，当新作物图像的特征向量表示与作物病害数据库中的任何特征向量表示不匹配时，可以执行聚类分析以在作物病害数据库中找到与新作物图像的特征向量表示最接近的作物病害样本案例。然后，将对应于新作物图像的特征向量表示的示例性样本案例添加到作物病害数据库，并且示例性样本案例可指示最接近作物图像的特征向量表示的作物病害和/或作物类型。
50.本公开的另一方面涉及一种存储指令的非暂时性计算机可读介质，所述指令在被执行时使得一个或多个处理器执行如上所述的方法。计算机可读介质可以包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其它类型的计算机可读介质或计算机可读存储设备。例如，如所公开的，计算机可读介质可以是存储有计算机指令的存储设备或存储器模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
51.根据本发明的一个方面，公开了一种作物病害诊断系统。作物病害诊断系统包括通信模块、作物病害数据库和作物特征分类模块。通信模块被配置为接收作物图像。所述作物病害数据库存储至少一个作物病害样本案例。所述作物特征分类模块被配置为提取所述作物图像的特征向量表示，将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较，以及对与所述作物图像相关联的作物病害进行分类。通过特征提取网络提取作物图像的特征向量表示，并且在作物病害的分类期间从特征提取网络中去除完全连接的层。
52.在一些实施例中，作物病害诊断系统还包括用户终端。通信模块从用户终端接收作物图像并将作物病害的分类结果发送到用户终端。在一些实施例中，作物特征分类模块还被配置为对与作物图像相关联的作物类型进行分类。
53.在一些实施例中，作物病害诊断系统还包括训练模块。训练模块使用完全连接的层提取与至少一个作物病害样本案例相关联的多个样本作物图像的特征向量表示，并且基于特征向量表示用样本作物病害注释每个样本作物图像。在一些实施例中，多个样本作物图像的特征向量表示指示与每个样本作物图像相关联的作物类型和病害类型中的至少一
个。在一些实施例中，通过将每个样本作物图像的空间信息转换成原始特征提取网络来获得多个样本作物图像的特征向量表示。在一些实施例中，通过从原始特征提取网络中去除完全连接的层来获得特征提取网络。
54.在一些实施例中，当作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例中的任一个不匹配时，作物特征分类模块还被配置为通过将聚类算法应用于作物图像的特征向量表示来更新作物病害数据库。在一些实施例中，当作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例中的任一个不匹配时，作物特征分类模块还被配置为执行聚类分析以找到最接近作物图像的特征向量表示的一个作物病害样本案例。
55.在一些实施例中，作物特征分类模块还被配置为通过使用最近邻算法将作物图像的特征向量表示与至少一个作物病害样本案例进行比较以获得相似度。在一些实施例中，将具有最高相似度的作物病害作为分类结果提供给通信模块。
56.根据本公开的另一方面，公开了用于诊断作物病害的方法。接收作物图像。通过特征提取网络提取作物图像的特征向量表示。将作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对作物病害进行分类。在作物病害的分类期间，从特征提取网络中去除完全连接的层。
57.在一些实施例中，通过用户终端获得作物图像，并将作物病害的分类结果发送到用户终端。在一些实施例中，通过使用完全连接的层提取与至少一个作物病害样本案例相关联的多个样本作物图像的特征向量表示。基于特征向量表示用样本作物病害注释每个样本作物图像以构建作物病害数据库。在一些实施例中，指示与每个样本作物图像相关联的作物类型和病害类型中的至少一个。
58.在一些实施例中，每个样本作物图像的空间信息被转换成原始特征提取网络，并且从原始特征提取网络中去除完全连接的层。在一些实施例中，用卷积神经网络(cnn)分析每个样本作物图像以获得每个样本作物图像的空间信息。完全连接的层将每个样本作物图像的空间信息转换为原始特征提取网络。
59.在一些实施例中，当作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例中的任一个不匹配时，通过对作物图像的特征向量表示应用聚类算法来更新作物病害数据库。在一些实施例中，当作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例中的任何一个不匹配时，执行聚类分析以找到最接近作物图像的特征向量表示的一个作物病害样本案例。
60.在一些实施例中，通过使用最近邻算法将作物图像的特征向量表示与至少一个作物病害样本案例进行比较以获得相似度。在一些实施例中，提供具有最高相似性程度的作物病害作为分类结果。
61.根据本公开的另一方面，公开了一种用于构建作物病害诊断系统的特征提取网络的方法。提供多个样本作物图像，每个样本作物图像用一个样本作物病害注释。分析多个样本作物图像以获得原始特征提取网络。从原始特征提取网络中去除完全连接的层以获得特征提取网络。
62.在一些实施例中，获得每个样本作物图像的特征向量表示。在一些实施例中，用卷积神经网络(cnn)分析每个样本作物图像以获得每个样本作物图像的空间信息。完全连接
的层将每个样本作物图像的空间信息转换为原始特征提取网络。
63.在一些实施例中，多个样本作物图像的特征向量表示存储在作物病害数据库中。获得新的作物图像，并提取新的作物图像的特征向量表示。将所述新作物图像的特征向量表示与所述作物病害数据库中的特征向量表示进行比较。当新作物图像的特征向量表示与作物病害数据库中的任何特征向量表示不匹配时，更新作物病害数据库。
64.在一些实施例中，当新作物图像的特征向量表示与作物病害数据库中的任何特征向量表示不匹配时，执行聚类分析以在作物病害数据库中找到与新作物图像的特征向量表示最接近的作物病害样本案例。
65.根据本公开的另一方面，公开了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质上存储有指令。当所述指令由至少一个处理器执行时，使所述至少一个处理器执行用于诊断作物病害的方法。用于诊断作物病害的方法包括接收作物图像，通过特征提取网络提取作物图像的特征向量表示，以及将作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较以对作物病害进行分类。在作物病害的分类期间，从特征提取网络中去除完全连接的层。
66.特定实现的上述描述可以容易地修改和/或适应于各种应用。因此，基于在此呈现的教导和指导，这种适配和修改旨在处于所公开的实现的等效物的含义和范围内。
67.本公开的广度和范围不应受任何上述示例性实现的限制，而应仅根据所附权利要求及其等同物来定义。

技术特征：
1.一种作物病害诊断系统，包括：通信模块，其被配置为接收作物图像；作物病害数据库，其存储至少一个作物病害样本案例；以及作物特征分类模块，其被配置为提取所述作物图像的特征向量表示，将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较，并且对与所述作物图像相关联的作物病害进行分类，其中通过特征提取网络提取所述作物图像的特征向量表示，以及其中在所述作物病害的分类期间从所述特征提取网络中去除完全连接的层。2.根据权利要求1所述的作物病害诊断系统，进一步包括用户终端，其中所述通信模块从所述用户终端接收所述作物图像，并将所述作物病害的分类结果发送给所述用户终端。3.根据权利要求1所述的作物病害诊断系统，其中所述作物特征分类模块还被配置为分类与所述作物图像相关联的作物类型。4.根据权利要求1所述的作物病害诊断系统，进一步包括训练模块，其中所述训练模块使用所述完全连接的层提取与所述至少一个作物病害样本案例相关联的多个样本作物图像的特征向量表示，并且基于所述特征向量表示用样本作物病害注释每个样本作物图像。5.根据权利要求4所述的作物病害诊断系统，其中所述多个样本作物图像的特征向量表示指示与每个样本作物图像相关联的作物类型和病害类型中的至少一个。6.根据权利要求4所述的作物病害诊断系统，其中所述多个样本作物图像的特征向量表示是通过将每个样本作物图像的空间信息转换成原始特征提取网络来获得。7.根据权利要求6所述的作物病害诊断系统，其中所述特征提取网络是通过从所述原始特征提取网络中去除所述完全连接的层来获得的。8.根据权利要求1所述的作物病害诊断系统，其中所述作物特征分类模块还被配置为当所述作物图像的所述特征向量表示与所述作物病害数据库中的所述至少一个作物病害样本案例中的任一个不匹配时，通过对所述作物图像的所述特征向量表示应用聚类算法来更新所述作物病害数据库。9.根据权利要求8所述的作物病害诊断系统，其中当所述作物图像的所述特征向量表示与所述作物病害数据库中的所述至少一个作物病害样本案例中的任一个不匹配时，所述作物特征分类模块还被配置为执行聚类分析以找到离所述作物图像的所述特征向量表示最近的一个作物病害样本案例。10.根据权利要求1所述的作物病害诊断系统，其中所述作物特征分类模块还被配置为通过使用最近邻算法将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较以获得相似度。11.根据权利要求10所述的作物病害诊断系统，其中将具有最高相似度的作物病害作为分类结果提供给所述通信模块。12.一种用于诊断作物病害的方法，包括：接收作物图像；通过特征提取网络提取所述作物图像的特征向量表示；以及
将所述作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对所述作物病害进行分类，其中在所述作物病害的分类期间从所述特征提取网络中去除完全连接的层。13.根据权利要求12所述的方法，进一步包括：通过用户终端获取作物图像；以及向所述用户终端传送所述作物病害的分类结果。14.根据权利要求12所述的方法，进一步包括：使用所述完全连接的层提取与所述至少一个作物病害样本案例相关联的多个样本作物图像的特征向量表示；以及基于特征向量表示用样本作物病害注释每个样本作物图像以构建作物病害数据库。15.根据权利要求14所述的方法，其中基于所述特征向量表示用所述样本作物病害注释每个样本作物图像包括：指示与每个样本作物图像相关联的作物类型和病害类型中的至少一个。16.根据权利要求14所述的方法，进一步包括：将每个样本作物图像的空间信息转换为原始特征提取网络；以及从所述原始特征提取网络中去除所述完全连接的层。17.根据权利要求16所述的方法，其中将每个样本作物图像的空间信息转换成所述原始特征提取网络包括：用卷积神经网络(cnn)分析每个样本作物图像，得到每个样本作物图像的空间信息；以及通过完全连接的层将每个样本作物图像的空间信息转换为原始特征提取网络。18.根据权利要求14所述的方法，进一步包括：当所述作物图像的所述特征向量表示与所述作物病害数据库中的所述至少一个作物病害样本案例中的任一个不匹配时，通过对所述作物图像的所述特征向量表示应用聚类算法来更新所述作物病害数据库。19.根据权利要求12所述的方法，其中将所述作物图像的所述特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对所述作物病害进行分类，包括：通过使用最近邻算法将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较以获得相似度。20.一种其上存储有指令的非暂时性计算机可读介质，这些指令在由至少一个处理器执行时致使所述至少一个处理器执行一种用于诊断作物病害的方法，所述方法包括：接收作物图像；通过特征提取网络提取所述作物图像的特征向量表示；以及将所述作物图像的特征向量表示与作物病害数据库中的至少一个作物病害样本案例进行比较，以对所述作物病害进行分类，其中在所述作物病害的分类期间从所述特征提取网络中去除完全连接的层。

技术总结
公开了一种作物病害诊断系统。作物病害诊断系统包括通信模块、作物病害数据库和作物特征分类模块。通信模块被配置为接收作物图像。所述作物病害数据库存储至少一个作物病害样本案例。所述作物特征分类模块被配置为提取所述作物图像的特征向量表示，将所述作物图像的特征向量表示与所述至少一个作物病害样本案例进行比较，以及对与所述作物图像相关联的作物病害进行分类。通过特征提取网络提取作物图像的特征向量表示，并且在作物病害的分类期间从特征提取网络中去除完全连接的层。从特征提取网络中去除完全连接的层。从特征提取网络中去除完全连接的层。


技术研发人员：李艾 陈琪 林瑞嵩
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2022.10.25
技术公布日：2023/10/15