辣椒病害识别方法、装置、电子设备及存储介质与流程

1.本技术属于农业种植技术领域，具体涉及一种辣椒病害识别方法、装置、电子设备及存储介质。


背景技术：

2.辣椒，别名：牛角椒、长辣椒、菜椒、灯笼椒，拉丁文名：capsicum annuum l，为木兰纲、茄科、辣椒属一年或有限多年生草本植物。
3.目前，辣椒病害识别依靠人工采样调查，根据专家经验进行识别判断，无将成熟方法推广应用于辣椒病害预测的技术。并且该识别判断方法劳动强度大、耗时长。


技术实现要素：

4.本技术的目的是提供一种辣椒病害识别方法、装置、电子设备及存储介质以解决现有技术识别辣椒病害劳动强度大、耗时长的问题。
5.根据本技术实施例的第一方面，提供一种辣椒病害识别方法，该方法可以包括：
6.获取待检测图像，待检测图像中包括辣椒；
7.将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
8.进一步地，训练好的机器学习模型包括特征提取网络；
9.将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，包括：
10.将待检测图像输入到特征提取网络，得到病害坐标、病害分类及置信度；
11.根据病害坐标、病害分类及置信度标记待检测图像，得到带有病害标记的图像。
12.进一步地，训练好的机器学习模型是通过下述方法训练得到的：
13.获取多个辣椒病害图像；
14.对多个辣椒病害图像进行增广处理，得到训练图像集；
15.对训练图像集中每个图像进行病害标记，得到标记图像集；
16.利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型。
17.进一步地，对多个辣椒病害图像进行增广处理，得到训练图像集，包括：
18.对多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；
19.将多个增广图片与多个辣椒病害图像组成训练图像集。
20.进一步地，机器学习模型包括：特征提取网络和损失函数；
21.利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型，包括：
22.将标记图像集中标记图像输入特征提取网络，得到预测特征图；
23.利用预测特征图和标记图像训练损失函数，得到训练好的机器学习模型。
24.进一步地，特征提取网络包括：多个卷积层和残差模块；
25.将标记图像集中标记图像输入特征提取网络，得到预测特征图，包括：
26.将标记图像集中标记图像输入到多个卷积层，得到低维特征；
27.将低维特征输入到残差模块，得到高维特征；
28.基于低维特征和高维特征，得到预测特征图。
29.进一步地，残差模块包括卷积层和自注意力模块；
30.将低维特征输入到残差模块，得到高维特征，包括：
31.将低维特征输入到卷积层，得到第一残差提取特征；
32.将第一残差提取特征输入到自注意力模块，得到第二残差提取特征；
33.将第一残差提取特征与第二残差提取特征相加后连接一个卷积，并进行信息富集，得到第三残差提取特征；
34.将第一残差提取特征与第三残差提取特征相加，得到高维特征。
35.根据本技术实施例的第二方面，提供一种辣椒病害识别装置，该装置可以包括：
36.获取模块，用于获取待检测图像，待检测图像中包括辣椒；
37.识别模块，用于将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
38.进一步地，训练好的机器学习模型包括特征提取网络；
39.识别模块，包括：
40.特征提取单元，用于将待检测图像输入到特征提取网络，得到病害坐标、病害分类及置信度；
41.标记单元，用于根据病害坐标、病害分类及置信度标记待检测图像，得到带有病害标记的图像。
42.进一步地，训练好的机器学习模型是通过下述方法训练得到的：
43.获取多个辣椒病害图像；
44.对多个辣椒病害图像进行增广处理，得到训练图像集；
45.对训练图像集中每个图像进行病害标记，得到标记图像集；
46.利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型。
47.进一步地，对多个辣椒病害图像进行增广处理，得到训练图像集，包括：
48.对多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；
49.将多个增广图片与多个辣椒病害图像组成训练图像集。
50.进一步地，机器学习模型包括：特征提取网络和损失函数；
51.利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型，包括：
52.将标记图像集中标记图像输入特征提取网络，得到预测特征图；
53.利用预测特征图和标记图像训练损失函数，得到训练好的机器学习模型。
54.进一步地，特征提取网络包括：多个卷积层和残差模块；
55.将标记图像集中标记图像输入特征提取网络，得到预测特征图，包括：
56.将标记图像集中标记图像输入到多个卷积层，得到低维特征；
57.将低维特征输入到残差模块，得到高维特征；
58.基于低维特征和高维特征，得到预测特征图。
59.进一步地，残差模块包括卷积层和自注意力模块；
60.将低维特征输入到残差模块，得到高维特征，包括：
61.将低维特征输入到卷积层，得到第一残差提取特征；
62.将第一残差提取特征输入到自注意力模块，得到第二残差提取特征；
63.将第一残差提取特征与第二残差提取特征相加后连接一个卷积，并进行信息富集，得到第三残差提取特征；
64.将第一残差提取特征与第三残差提取特征相加，得到高维特征。
65.根据本技术实施例的第三方面，提供一种电子设备，该电子设备可以包括：
66.处理器；
67.用于存储处理器可执行指令的存储器；
68.其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的飞行器飞行包线计算方法。
69.根据本技术实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现以实现如第一方面的任一项实施例中所示的飞行器飞行包线计算方法。
70.本技术的上述技术方案具有如下有益的技术效果：
71.本技术实施例方法通过获取待检测图像，待检测图像中包括辣椒，并将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像。利用训练好的机器学习模型代替了人工的主观判断，节省了人力，并且识别速度快，通过不断的优化调整准确率可以超过人为主观判断。
附图说明
72.图1是本技术一示例性实施例的辣椒病害识别方法流程图；
73.图2是本技术一具体实施例的辣椒病害识别方法流程图；
74.图3是本技术一示例性实施例的辣椒病害识别网络结构示意图；
75.图4是本技术一示例性实施例的卷积层结构示意图；
76.图5是本技术一示例性实施例的残差网络块结构示意图；
77.图6是本技术一示例性实施例的卷积集结构示意图；
78.图7是本技术一示例性实施例的电子设备结构示意图；
79.图8是本技术一示例性实施例的电子设备的硬件结构示意图。
具体实施方式
80.为使本技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本技术的概念。
81.在附图中示出了根据本技术实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形
状、大小、相对位置的区域/层。
82.显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
83.在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
84.此外，下面所描述的本技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
85.目前，国内大多数农民对农作物病虫害的判别方法停留在传统的实地目测上，通过农作物的外观表面形态等进行判断，多依赖于个人经验。专家对于病虫害识别具有丰富经验，但往往不能及时赶往现场，或者因有限的人力资源不能进行大型区域识别，容易导致误判和漏判。病害的识别由于病害种类的繁多和病害特征小等问题，使得传统的识别方法识别率不高、稳定性差。对此，本技术提供一种辣椒病害预测方法。
86.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的辣椒病害预测方法进行详细地说明。
87.如图1所示，在本技术实施例的第一方面，提供一种辣椒病害识别方法，该方法可以包括：
88.s110：获取待检测图像，待检测图像中包括辣椒；
89.s120：将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
90.本实施例方法通过获取待检测图像，待检测图像中包括辣椒，并将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像。利用训练好的机器学习模型代替了人工的主观判断，节省了人力，并且识别速度快，通过不断的优化调整准确率可以超过人为主观判断。由于，在残差网络中加入自注意力模块机制，增强特征提取中重要信息的提取。
91.下面对于辣椒病害预测方法的步骤分别进行说明：
92.首先是步骤s110，获取待检测图像，待检测图像中包括辣椒。
93.本步骤中，待检测图像的尺寸可以是416x416大小，也可以是其他适合尺寸，在此不做限定。
94.接下来是步骤s120，将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，训练好的机器学习模型为融合自注意力机制的模型。
95.本步骤中，将待检测图像输入到训练好的机器学习模型中是为了确定辣椒病害在图片中具体位置，待检测图像输入到训练完成后的病害识别网络中，定位并标记处辣椒病害的具体位置及种类。本步骤中的训练好的机器学习模型包括特征提取网络，将待检测图像输入到特征提取网络后会产生三个不同特征图大小的输出，这三个输出再经过一系列卷积网络和拼接网络后，产生三个不同特征图尺度输出。输出的内容为{x,y,w,h}，confidence，以及n个类别的分数。其中{x,y,w,h}为标记的中心点坐标和高宽，confidence为置信度分数。通过{x,y,w,h}即可对病害图片进行标记，在根据n个类别的分数，选取其中分数最高的，即为该病害的病害类别。
96.本步骤中训练好的机器学习模型是通过下述方法训练得到的：
97.1.收集各类主要的辣椒病害图像若干，再通过数据预处理等方式进行数据集的扩充，再将扩充的数据集划分为训练集和验证集。
98.2.通过标记软件对训练集中的图片进行标记，标记出病害的具体位置。
99.3.搭建基于yolo算法的卷积神经网络，并在其中加入自注意机制模块，构建辣椒病害识别模型，随后对模型进行训练。
100.构造辣椒病害识别模型包括以下步骤：
101.1.采用基于darknet53的网络结构作为该模型的特征提取网络。
102.2.将特征提取网络的最后三层分别作为输出，输出到拼接网络中，与另一个输出进行拼接。
103.3.第2步骤中的三个拼接的输出分别经过一个卷积集、一个3x3卷积层和一个2x2卷积进行信息提取，最后在连接一个全连接层，分别输出三个不同特征数量(13x13、26x26、52x52)的结果输出。
104.特征提取网络具体结构如下：
105.1.第一部分为卷积核大小都为3x3，数量分别为32和64的两个卷积层。
106.2.第二部分为一个卷积核大小为1x1、数量为32的卷积层和一个卷积核大小为3x3、数量为64的卷积层，最后连接一个加入了自注意力机制的残差模块。该部分重复1次。最后连接一个卷积核大小3x3、步距2、数量为128的卷积层。
107.3.第三部分为一个卷积核大小为1x1、数量为64的卷积层和一个卷积核大小为3x3、数量为128的卷积层，最后连接一个加入了自注意力机制的残差模块。该部分重复2次。最后连接一个卷积核大小3x3、步距2、数量为256的卷积层。
108.4.第四部分为一个卷积核大小为1x1、数量为128的卷积层和一个卷积核大小为3x3、数量为256的卷积层，最后连接一个加入了自注意力机制的残差模块。该部分重复8次。最后连接一个卷积核大小3x3、步距2、数量为512的卷积层。
109.5.第五部分为一个卷积核大小为1x1、数量为256的卷积层和一个卷积核大小为3x3、数量为512的卷积层，最后连接一个加入了自注意力机制的残差模块。该部分重复8次。最后连接一个卷积核大小3x3、步距2、数量为1024的卷积层。
110.6.第二部分为一个卷积核大小为1x1、数量为512的卷积层和一个卷积核大小为3x3、数量为1024的卷积层，最后连接一个加入了自注意力机制的残差模块。该部分重复4次。
111.残差模块结构如下：
112.1.残差模块的输入先输入到1x1大小的卷积层、3x3大小的卷积层。
113.2.将1步骤的输出作为输入，输入到自注意力模块中。
114.3.将1，2步骤的输出相加后连接一个1x1卷积进行信息富集。
115.4.将1的输入和3的输出相加，作为整个残差网络的输出。
116.本算法训练的损失函数如下：
117.1.目标置信度损失。目标置信度可以理解为目标矩形框内存在目标的概率，目标置信度损失l
conf
(o,c)采用的是二值交叉熵损失，其中oi∈{0,1}，表示预测目标边界框i中是否存在真实目标，0表示不存在，1表示存在。ci表示预测目标矩形框i内是否存在目标的
sigmod概率。公式如下：
118.l
conf
(o，c)＝
‑
∑(o
i
ln(c
i
) (1
‑
o
i
)ln(1
‑
c
i
))；
119.c
i
＝sigmod(c
i
)；
120.2.目标类别损失l
cla
(o,c)同样采用的是二值交叉熵损失，其中o
i
,
j
∈{0,1}，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在，c
ij
表示网络预测目标边界框i内存在第j类目标的sigmoid概率。公式如下：
[0121][0122]
c
ij
＝sigmod(c
ij
)；
[0123]
3.目标定位损失l
loc
(l,g),采用的是真实偏差值与预测偏差值差的平方和，其中l表示预测矩形框坐标偏移量，g表示与之匹配的gtbox与默认框之间的坐标偏移量，{bx,by,bw,bh}为预测的目标矩形框参数,{cx,cy,pw,ph}为默认矩形框参数,{gx,gy,gw,gh}为与之匹配的真实目标矩形框参数，这些参数都是映射在预测特征图上的。公式如下：
[0124][0125][0126][0127][0128][0129]
在本技术的一些可选实施例中，训练好的机器学习模型包括特征提取网络；
[0130]
将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像，包括：
[0131]
将待检测图像输入到特征提取网络，得到病害坐标、病害分类及置信度；
[0132]
根据病害坐标、病害分类及置信度标记待检测图像，得到带有病害标记的图像。
[0133]
在本技术的一些可选实施例中，训练好的机器学习模型是通过下述方法训练得到的：
[0134]
获取多个辣椒病害图像；
[0135]
对多个辣椒病害图像进行增广处理，得到训练图像集；
[0136]
对训练图像集中每个图像进行病害标记，得到标记图像集；
[0137]
利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型。
[0138]
在本技术的一些可选实施例中，对多个辣椒病害图像进行增广处理，得到训练图像集，包括：
[0139]
对多个辣椒病害图像中每个辣椒病害图像进行平移处理、裁剪处理及旋转处理，得到多个增广图片；
[0140]
将多个增广图片与多个辣椒病害图像组成训练图像集。
[0141]
在本技术的一些可选实施例中，机器学习模型包括：特征提取网络和损失函数；
[0142]
利用标记图像集对机器学习模型进行训练，得到训练好的机器学习模型，包括：
[0143]
将标记图像集中标记图像输入特征提取网络，得到预测特征图；
[0144]
利用预测特征图和标记图像训练损失函数，得到训练好的机器学习模型。
[0145]
在本技术的一些可选实施例中，特征提取网络包括：多个卷积层和残差模块；
[0146]
将标记图像集中标记图像输入特征提取网络，得到预测特征图，包括：
[0147]
将标记图像集中标记图像输入到多个卷积层，得到低维特征；
[0148]
将低维特征输入到残差模块，得到高维特征；
[0149]
基于低维特征和高维特征，得到预测特征图。
[0150]
在本技术的一些可选实施例中，残差模块包括卷积层和自注意力模块；
[0151]
将低维特征输入到残差模块，得到高维特征，包括：
[0152]
将低维特征输入到卷积层，得到第一残差提取特征；
[0153]
将第一残差提取特征输入到自注意力模块，得到第二残差提取特征；
[0154]
将第一残差提取特征与第二残差提取特征相加后连接一个卷积，并进行信息富集，得到第三残差提取特征；
[0155]
将第一残差提取特征与第三残差提取特征相加，得到高维特征。
[0156]
如图2所示，在本技术一具体实施例中，提供一种融合自注意力机制的辣椒病害识别方法，包括以下步骤：
[0157]
1.训练图像的收集与预处理。收集若干病害类别的图像作为训练数据，为满足实际病害识别的需要，所有的训练图像样本均在田间收集。收集图像的焦点集中在病害症状上。再通过平移、裁剪、旋转等数据预处理手段，得到新的图片若干。
[0158]
2.使用软件对图像中病害位置进行标记。
[0159]
3.构建融合自注意力机制的辣椒病害识别网络，网络结构如图3所示。网络的convolutional卷积层如图4所示，并不是单一的卷积，还包括批量归一化层(bn)和leakyrelu激活函数层。残差网络块的结构如图5所示，使用了自注意力机制作为残差模块的一部分输入。卷积集(convolutionalset)的结构如图6所示。网络具体工作流程如下：
[0160]
3.1网络将整张416x416的图片作为输入，在经过第一部分的两个卷积层后，得到的特征图大小为64x208x208。
[0161]
3.2经过第二部分的卷积和残差网络后，特征图大小为128x104x104。其中的残差网络中加入了自注意力模块，能够有效提升所提取的信息中重要模块所占的比重。
[0162]
3.3经过第三部分的卷积和残差网络后，特征图大小为256x52x52。这一块的输出不仅是第四部分的卷积的输入，还是后续网络第二个拼接层的输入。
[0163]
3.4经过第四部分的卷积和残差网络后，特征图大小为512x26x26。这一块的输出不仅是第五部分的卷积的输入，还是后续网络第一个拼接层的输入。
[0164]
3.5经过最后一部分卷积和残差网络后，输出的特征图大小为1024x13x13。
[0165]
3.6将3.5步骤的输出输入卷积集进一步提取特征。这是有两条分支，一条在经过一个3x3卷积层和一个1x1卷积后，即连接一个全连接层，进行13x13尺度的预测；另一层则是经过一个1x1卷积层和上采样层后，变成26x26的特征图与3.4步骤的输出进行深度方向上的拼接。
[0166]
3.7该步骤的流程与3.6类似，一部分做26x26尺度的预测，另一部分与3.3的输出做拼接。
[0167]
3.8最后一层在经过一个卷积集和3x3卷积层、1x1卷积后，连接全连接层，进行52x52尺度的预测。
[0168]
3.9根据所设定的损失函数来对网络进行训练。
[0169]
4.待检测图像的收集。
[0170]
5.将待测图片输入训练完成的网络，根据特征网络所返回的{x,y,w,h}坐标和n个类别的预测值，在图片上标记处病害的位置和名称。
[0171]
上述实施例方法通过获取待检测图像，待检测图像中包括辣椒，并将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像。利用训练好的机器学习模型代替了人工的主观判断，节省了人力，并且识别速度快，通过不断的优化调整准确率可以超过人为主观判断。由于，在残差网络中加入自注意力模块机制，增强特征提取中重要信息的提取。
[0172]
需要说明的是，本技术实施例提供的辣椒病害识别方法，执行主体可以为辣椒病害识别装置，或者该辣椒病害识别装置中的用于执行辣椒病害识别的方法的控制模块。本技术实施例中以辣椒病害识别装置执行辣椒病害识别的方法为例，说明本技术实施例提供的辣椒病害识别的装置。
[0173]
在本技术实施例的第二方面，提供一种辣椒病害识别装置，该装置可以包括：
[0174]
获取模块，用于获取待检测图像，待检测图像中包括辣椒；
[0175]
识别模块，用于将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像。
[0176]
上述实施例装置通过获取待检测图像，待检测图像中包括辣椒，并将待检测图像输入到训练好的机器学习模型中，得到带有病害标记的图像。利用训练好的机器学习模型代替了人工的主观判断，节省了人力，并且识别速度快，通过不断的优化调整准确率可以超过人为主观判断。由于，在残差网络中加入自注意力模块机制，增强特征提取中重要信息的提取。
[0177]
本技术实施例中的辣椒病害识别装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra
‑
mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0178]
本技术实施例中的辣椒病害识别装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0179]
本技术实施例提供的辣椒病害识别装置能够实现图1
‑
5的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0180]
可选地，如图7所示，本技术实施例还提供一种电子设备700，包括处理器701，存储
器702，存储在存储器702上并可在所述处理器701上运行的程序或指令，该程序或指令被处理器701执行时实现上述辣椒病害识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0181]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0182]
图8为实现本技术实施例的一种电子设备的硬件结构示意图。
[0183]
该电子设备800包括但不限于：射频单元801、网络模块802、音频输出单元803、输入单元804、传感器805、显示单元806、用户输入单元807、接口单元808、存储器809、以及处理器810等部件。
[0184]
本领域技术人员可以理解，电子设备800还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器810逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0185]
应理解的是，本技术实施例中，输入单元804可以包括图形处理器(graphics processing unit，gpu)8041和麦克风8042，图形处理器8041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元806可包括显示面板8061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板8061。用户输入单元807包括触控面板8071以及其他输入设备8072。触控面板8071，也称为触摸屏。触控面板8071可包括触摸检测装置和触摸控制器两个部分。其他输入设备8072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器809可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器810可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器810中。
[0186]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述辣椒病害识别方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0187]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0188]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0189]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及
的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0190]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0191]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。