本发明涉及虫害识别，具体涉及一种基于深度学习的虫害识别方法、系统、装置及介质。
背景技术：
1、近年来，农作物病虫害愈演愈烈，给粮食安全带来了严重的威胁，此种大环境下，越来越多的研究人员聚焦于农业方面，以利用人工智能技术识别农作物的病虫害，从而达到提升粮食产量的目的。
2、在我国当前的病虫害监测手段当中，以点状地面实地调查为主的肉眼监测仍然占据了不小的比例。虽然实地调查能够通过目视解译等方法从作物形态、颜色等病虫害发生特征推断作物所处状态，具有执行难度低、可应用范围广等优点，但是该方法在大面积、高效获取病虫害发生状况、程度与分布等信息时存在耗费人力多、整体效率低、受主观性影响较大等缺陷，且需要调查人员具备足够扎实的农学素养。
技术实现思路
1、针对现有技术中的缺陷，本发明提供一种基于深度学习的虫害识别方法、系统、装置及介质。
2、第一方面，一种基于深度学习的虫害识别方法，包括：
3、获取历史虫害图像，根据所述历史虫害图像构建图像集，所述图像集包括有标签图像数据集和无标签图像数据集；
4、基于所述图像集对预先构建的初始网络模型进行交叉训练，并获取最佳深度学习模型；
5、采集实时虫害图像，并提取所述实时虫害图像的特征向量，根据所述特征向量基于最佳深度学习模型进行虫害识别。
6、进一步地，所述基于所述图像集对预先构建的初始网络模型进行交叉训练，并获取最佳深度学习模型，具体为：
7、预先构建第一初始网络模型和第二初始网络模型；
8、基于所述有标签图像数据集对第一初始网络模型和第二初始网络模型分别进行初始训练；
9、将所述无标签图像数据集分别输入至初始训练后的第一初始网络模型和第二初始网络模型中，生成对应的第一伪标签数据集和第二伪标签数据集；
10、基于验证标签对所述第一伪标签数据集和第二伪标签数据集进行比较筛选，并生成对应的权重系数；
11、基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型。
12、进一步地，所述基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型，具体为：
13、根据所述第一伪标签数据集和第二伪标签数据集基于对应权重系数进行数据扩增，以构建第一扩增数据集和第二扩增数据集；
14、根据所述第一扩增数据集训练第二初始网络模型，根据所述第二扩增数据集训练第一初始网络模型，并重复进行交叉迭代训练；
15、根据交叉迭代训练结果选取对应的最佳模型精度，并获取最佳深度学习模型。
16、进一步地，所述采集实时虫害图像，并提取所述实时虫害图像的特征向量，根据所述特征向量基于最佳深度学习模型进行虫害识别，具体为：
17、采集实时虫害图像；
18、对所述实时虫害图像进行图像预处理，并形成特征点响应图像；
19、根据所述特征点响应图像生成图像金字塔，基于所述图像金字塔进行位置像素点比较；
20、根据所述位置像素点比较结果确定特征描述向量，并输入至最佳深度学习模型中，以输出虫害识别结果。
21、第二方面，一种基于深度学习的虫害识别系统，包括：
22、图像集构建模块：用于获取历史虫害图像，根据所述历史虫害图像构建图像集，所述图像集包括有标签图像数据集和无标签图像数据集；
23、模型训练模块：用于基于所述图像集对预先构建的初始网络模型进行交叉训练，并获取最佳深度学习模型；
24、识别模块：用于采集实时虫害图像，并提取所述实时虫害图像的特征向量，根据所述特征向量基于最佳深度学习模型进行虫害识别。
25、进一步地，所述模型训练模块具体用于：
26、预先构建第一初始网络模型和第二初始网络模型；
27、基于所述有标签图像数据集对第一初始网络模型和第二初始网络模型分别进行初始训练；
28、将所述无标签图像数据集分别输入至初始训练后的第一初始网络模型和第二初始网络模型中，生成对应的第一伪标签数据集和第二伪标签数据集；
29、基于验证标签对所述第一伪标签数据集和第二伪标签数据集进行比较筛选，并生成对应的权重系数；
30、基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型。
31、进一步地，所述基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型，具体为：
32、根据所述第一伪标签数据集和第二伪标签数据集基于对应权重系数进行数据扩增，以构建第一扩增数据集和第二扩增数据集；
33、根据所述第一扩增数据集训练第二初始网络模型，根据所述第二扩增数据集训练第一初始网络模型，并重复进行交叉迭代训练；
34、根据交叉迭代训练结果选取对应的最佳模型精度，并获取最佳深度学习模型。
35、进一步地，所述识别模块具体用于：
36、采集实时虫害图像；
37、对所述实时虫害图像进行图像预处理，并形成特征点响应图像；
38、根据所述特征点响应图像生成图像金字塔，基于所述图像金字塔进行位置像素点比较；
39、根据所述位置像素点比较结果确定特征描述向量，并输入至最佳深度学习模型中，以输出虫害识别结果。
40、第三方面，一种基于深度学习的虫害识别装置，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。
41、第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法。
42、本发明的有益效果体现在：根据历史虫害图像对初始网络模型进行交叉训练并加权融合得到最佳深度学习模型，根据实时虫害图像提取特征向量，并基于最佳深度学习模型进行虫害识别，能有效监测虫害情况，降低人力成本，识别监测效率高，实用性强。
1.一种基于深度学习的虫害识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的虫害识别方法，其特征在于，所述基于所述图像集对预先构建的初始网络模型进行交叉训练，并获取最佳深度学习模型，具体为：
3.根据权利要求2所述的一种基于深度学习的虫害识别方法，其特征在于，所述基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型，具体为：
4.根据权利要求1所述的一种基于深度学习的虫害识别方法，其特征在于，所述采集实时虫害图像，并提取所述实时虫害图像的特征向量，根据所述特征向量基于最佳深度学习模型进行虫害识别，具体为：
5.一种基于深度学习的虫害识别系统，其特征在于，包括：
6.根据权利要求5所述的一种基于深度学习的虫害识别系统，其特征在于，所述模型训练模块具体用于：
7.根据权利要求6所述的一种基于深度学习的虫害识别系统，其特征在于，所述基于所述权重系数，对第一初始网络模型和第二初始网络模型进行交叉迭代训练，并根据交叉迭代训练结果进行加权融合，得到最佳深度学习模型，具体为：
8.根据权利要求5所述的一种基于深度学习的虫害识别系统，其特征在于，所述识别模块具体用于：
9.一种基于深度学习的虫害识别装置，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
