农作物病害识别方法、装置、设备及存储介质

1.本发明涉及互联网技术领域，尤其涉及病害识别方法及装置。


背景技术：

2.随着智慧农业和精准农业的推进，依靠机器学习的病害识别模型正在兴起。
3.目前，将一些算法，如颜色阈值法、支持向量机(support vector machine，svm)和随机森林等，应用在病害识别上，实现了农作物病害检测自动化。
4.但是这些算法的特征提取都依靠着人工，在极端情况下，可能造成较大的误差，模型准确率较低。


技术实现要素：

5.针对现有技术存在的缺陷，本发明提供一种农作物病害识别方法、装置、设备及存储介质。
6.第一方面，本发明提供一种农作物病害识别方法，包括：
7.使用改进后的resnext模型对农作物病害进行识别；
8.其中，所述resnext模型中全连接层的输出连接有dropout层。
9.可选地，根据本发明提供的农作物病害识别方法，所述改进后的resnext模型通过以下方式获取：
10.获取农作物信息样本集，所述样本集包括训练集、测试集和验证集；
11.基于所述训练集，对所述改进后的resnext模型进行训练；
12.基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量。
13.可选地，根据本发明提供的农作物病害识别方法，所述基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量，包括：
14.将所述测试集输入所述改进后的resnext模型，获取所述测试集对应的病害识别结果；
15.基于所述病害识别结果的准确率，调整所述dropout层的概率值。
16.可选地，根据本发明提供的农作物病害识别方法，所述基于所述病害识别结果的准确率，调整所述dropout层的概率值，包括：
17.在所述准确率为最大值的情况下，确定所述最大值对应的概率值为所述第一概率值；
18.设置所述dropout层的概率值为所述第一概率值。
19.可选地，根据本发明提供的农作物病害识别方法，所述方法还包括：
20.使用所述改进后的resnext模型，确定待识别农作物对应的第一病害类别；
21.将所述待识别农作物分别输入多种分类模型，确定所述待识别农作物分别对应的第二病害类别；
22.确定所述第一病害类别和所有所述第二病害类别中的第三病害类别，作为所述待
识别农作物对应的病害识别结果；
23.其中，所述第三病害类别为所述第一病害类别和所有所述第二病害类别中重复次数最多的病害类别。
24.可选地，根据本发明提供的农作物病害识别方法，所述农作物信息样本集包括农作物图片和所述农作物的位置信息。
25.第二方面，本发明还提供一种农作物病害识别装置，包括：
26.识别单元，用于使用改进后的resnext模型对农作物病害进行识别；
27.其中，所述resnext模型中全连接层的输出连接有dropout层。
28.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述农作物病害识别方法。
29.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述农作物病害识别方法。
30.第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述农作物病害识别方法。
31.本发明提供的农作物病害识别方法、装置、设备及存储介质，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
附图说明
32.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
33.图1是本发明提供的农作物病害识别方法的流程示意图之一；
34.图2是本发明提供的改进后的模型结构；
35.图3是本发明提供的模型的块结构图；
36.图4是本发明提供的农作物病害识别方法的流程示意图之二；
37.图5是本发明提供的农作物病害识别方法的流程示意图之三；
38.图6是相关技术中的模型的损失函数图像；
39.图7是本发明提供的改进后的模型的损失函数图像；
40.图8是本发明提供的农作物病害识别装置的结构示意图；
41.图9是本发明提供的电子设备的结构示意图之一；
42.图10是本发明提供的电子设备结构示意图之二。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本
发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.为了便于更加清晰地理解本技术各实施例，首先对一些相关的背景知识进行如下介绍：
45.及时获取病害的确切信息可以有效减少农作物的经济损失，增加农作物的产量。
46.目前，农作物病害的检测方法多是依靠目视和经验，需要大量的人力和物力。而且准确辨识相应的病害的难度也较大，存在着相似病害难以分辨的问题，导致不能对作物病害大面积蔓延前进而及时的防治，从而造成较大损失。
47.随着计算机科学与技术的发展和计算机视觉的进步，以及卷积神经网络(convolutional neural networks，cnn)、递归神经网络(recursive neural network，rnn)等深度学习算法的提出，利用深度学习算法解决农业领域的机器视觉相关的问题开始广泛的尝试，农业工作大幅减少了对人工的依赖。算法的自动化处理和判别可以及时、准确的监测到作物的长势和病害的问题，进而减少人力的消耗和物力的损耗，提高农作物的产量同时降低了生产成本。
48.可以将一些常见算法应用在病害识别上实现了作物病害检测自动化。例如，颜色阈值法、svm、随机森林等。但是这些算法的特征提取都依靠着人工经验，模型不具备健壮性和鲁棒性，在极端情况下，可能造成较大的误差，且这些方法并不能达到较满意的模型准确率和召回率。
49.为了解决或部分解决上述缺陷，本发明提供一种农作物病害识别方法、装置、设备及存储介质。下面结合图1-图8描述本发明的农作物病害识别方法。
50.图1是本发明提供的农作物病害识别方法的流程示意图之一，如图1所示，本发明提供一种农作物病害识别方法，该方法包括如下步骤：
51.步骤110、使用改进后的resnext模型对农作物病害进行识别；
52.其中，所述resnext模型中全连接层的输出连接有dropout层。
53.具体地，针对相关技术中依靠机器学习的算法的特征提取都依靠着人工经验，或者病害识别模型不具备健壮性和鲁棒性，在极端情况下可能造成较大的误差的缺陷，本发明对resnext模型进行改进，在resnext模型的全连接层后，进一步连接dropout层，减少从resnext模型输出的神经元数量。
54.需要说明的是，resnext是指增强后的残差网络(residual network，resnet)；dropout是指深度学习训练过程中，对部分神经元起到抑制作用，让这些被抑制的神经元无需工作。
55.可选地，resnext模型为resnext系列的神经网络模型，包括但不限于resnext50_32x4d、resnext50_1x64d和resnext50_2x40d。
56.本发明提供的农作物病害识别方法，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
57.可选地，所述改进后的resnext模型通过以下方式获取，包括步骤a、步骤b和步骤
c：
58.步骤a、获取农作物信息样本集，所述样本集包括训练集、测试集和验证集；
59.步骤b、基于所述训练集，对所述改进后的resnext模型进行训练；
60.步骤c、基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量。
61.具体地，为了获取改进后的resnext模型，可以先准备包括农作物信息的样本集，将样本集中的样本按照一定比例划分为训练集、验证集和测试集，如按照训练集：验证集：测试集比例为8:1:1，将80％的样本集作为训练集、10％的样本集作为测试集，以及10％的样本集作为验证集。
62.可选地，在获取农作物信息样本集之后，可以将训练集输入改进后的resnext模型，对改进后的resnext模型进行训练，以使改进后的resnext模型具备识别农作物病害的能力，此处改进后的resnext模型是指在全连接层之后，连接有dropout层的resnext模型。
63.可选地，在使用训练集对入改进后的resnext模型进行训练后，可以进一步基于测试集，调整dropout层的概率值，观察调整dropout层的概率值之后，病害识别结果的动态变化情况，以确定在测试集的准确率最高的情况下，模型的dropout层的概率值。
64.本发明提供的农作物病害识别方法，通过使用训练集对改进后的resnext模型进行训练，以获取能够识别农作物病害的模型，进而基于测试集调整dropout层的概率值，提升模型的泛化性，避免现有的resnext模型对农作物病害进行识别时应用效果差的缺陷，提高模型识别农作物病害的准确率。
65.可选地，所述基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量，包括：
66.将所述测试集输入所述改进后的resnext模型，获取所述测试集对应的病害识别结果；
67.基于所述病害识别结果的准确率，调整所述dropout层的概率值。
68.具体地，在获取训练好的改进后的resnext模型之后，可以将测试集输入改进后的resnext模型，获取所述测试集对应的病害识别结果。
69.可选地，在获取测试集对应的病害识别结果之后，可以根据病害识别结果的准确率，调整dropout层的概率值，其中，准确率是指模型识别的测试集的病害类别与测试集实际的病害类别相符，dropout层的概率值是指输入的神经元保持活跃的比例，如概率值为0.5，则输入的神经元中有一半神经元被随机冻结，不参与模型的训练。
70.本发明提供的农作物病害识别方法，通过使用训练集对改进后的resnext模型进行训练，以获取能够识别农作物病害的模型，进而将测试集输入改进后的resnext模型，基于模型的准确率调整dropout层的概率值，提供具体的调整dropout层的概率值的方法，提高模型识别农作物病害的准确率。
71.可选地，所述基于所述病害识别结果的准确率，调整所述dropout层的概率值，包括：
72.在所述准确率为最大值的情况下，确定所述最大值对应的概率值为所述第一概率值；
73.设置所述dropout层的概率值为所述第一概率值。
74.具体地，为了提升改进后的resnext模型能够在实际应用时的效果，避免模型在训练时表现良好，在实际应用时却出现较大的误差，本发明在已有的resnext模型的全连接层后进一步连接dropout层，并通过将测试集输入改进后的resnext模型，以获取使测试集的准确率达到最大时，模型中dropout层对应的概率值，以设定模型中dropout层的参数。
75.本发明提供的农作物病害识别方法，通过在测试集的准确率达到最大时，获取改进后的resnext模型中的dropout层的概率值，使改进后的resnext模型，通过训练后在使用测试集时也保持较高的准确率，进而保证实际应用时的准确率，可以进一步提高模型的准确率。
76.可选地，所述resnext模型可以为resnext50_32x4d模型。
77.可选地，所述dropout层后还可以连接有第二全连接层，所述第二全连接层中的神经元数量与预设的病害类别数量相同。
78.具体地，图2是本发明提供的改进后的模型结构，如图2所示，改进后的模型包括零填充(zero pad)层、阶段1(stage1)至阶段5(stage5)、平均池化(avg pool)层、压平(flatten)层和全连接(fc)层，在全连接层之后可以连接有dropout层，在dropout层之后，可以连接有第二全连接层。
79.其中，第二全连接层的神经元数量与预设的病害类别数量相同，即与模型能识别的病害类别数量相同，而第一全连接层，即压平层后连接的全连接层中的神经元数量不作限定。
80.其中，零填充层是对输入的数据做零值填充；平均池化层将阶段5之后的特征图进行平均池化；压平层将池化后的特征图进行展平；全连接层将每一个结点都与上一层的所有结点相连，用于综合上一层提取到的特征，最后输出预测结果。
81.可选地，可以在第二全连接层之后，再连接一组dropout层和全连接层。
82.具体地，resnext模型是一个系列模型，resnext模型可以看做是resnet结构的优化，resnext采用了inception结构的思想，但是继续沿用resnet的构造重复的卷积层策略，使网络在具有性能的基础上更加优雅简洁，还提出了“基数(cardinality)”的概念，resnext通过基数控制转化(transform)部分的网络宽度和深度。
83.其中，inception结构是具有对输入图像并行地执行多个卷积运算或池化操作，并将所有结果拼接为一个更深的特征图的神经网络结构；cardinality是模型结构中支路(block)的数量。
84.具体地，图3是本发明提供的模型的块结构图，其中的模型可以为resnext50_32x4d，resnext50_32x4d的32是指cardinality的数量，而4d是指3
×
3卷积的数量。除此之外，模型还可以是resnext29_8x64d，resnext29_16x64d，resnext50_32x3d，resnext101_32x4d，resnext101_64x4d。
85.如图3所示，resnext50_32x4d的每条支路都有256个1
×
1的卷积、4个3
×
3的卷积和4个1
×
1的卷积。
86.在resnext50_32x4d模型的基础上，在原来的全连接层之后使用dropout层，之后再接全连接层，再接dropout层，最后接入另一全连接层进行输出。
87.传统模型中所有完全连接层(fc)中的参数比例几乎占整个网络的80％，增加模型训练的时间，并导致对计算机内存的巨大需求，参数过多也会导致过度拟合问题，特别是在
野外场景中拍摄到的各种图像中含有大量的噪声，如背景的不均匀性和光照的不均匀性，这很容易被复杂的模型拟合，导致过拟合问题。针对该问题，本发明在fc之后加入dropout层以减少模型的神经元数，从而避免过拟合。
88.在resnext50_32x4d经过全连接层之后，加入dropout层并且设置概率值为0.5，表明随机让网络的50％节点不工作(输出置零)，也不更新权重，之后接入全连接层，再加入同样的dropout层，最后接入全连接层，经过最大平滑层(softmax)等层的处理，最终输出病害识别结果。
89.resnext50_32x4d模型的输入图片大小为224
×
224
×
3，224是指图片的宽高，3是指图片的色彩通道数，因为输入是彩色rgb图片，因此通道数为3。如图2所示，阶段1包括卷积层(conv层)、加速训练层(batch norm层)、激活函数层(relu层)和最大化池层(maxpool层)。输入的图片经过阶段1之后，图片大小变为112
×
112
×
64；接着再进入阶段2(包括2个卷积块)，图片大小变为56
×
56
×
256；进入阶段3(包括3个卷积块)，图片大小变为28
×
28
×
512；进入阶段4(包括5个卷积块)，图片大小变为14
×
14
×
1024；进入阶段5(包括2个卷积块)，图片大小变为7
×7×
2048；之后经过平均池化层和压平层，图片大小变成一维；最后经过第一个全连接层输出多个神经元；dropout层对输入的多个神经元进行减少，然后通过全连接层的处理，最后进行结果的输出。
90.本发明提供的农作物病害识别方法，在全连接层之后使用dropout层可以减少模型的神经元，提高模型的泛化能力，防止模型过拟合，从而提高模型的性能。
91.进一步地，所述方法还包括：
92.使用所述改进后的resnext模型，确定待识别农作物对应的第一病害类别；
93.将所述待识别农作物分别输入多种分类模型，确定所述待识别农作物分别对应的第二病害类别；
94.确定所述第一病害类别和所有所述第二病害类别中的第三病害类别，作为所述待识别农作物对应的病害识别结果；
95.其中，所述第三病害类别为所述第一病害类别和所有所述第二病害类别中重复次数最多的病害类别。
96.具体地，图4是本发明提供的农作物病害识别方法的流程示意图之二，如图4所示，本发明实施例提供的农作物病害识别方法可以使用软件分析采集的数据，具体的软件分析包括使用改进后的模型、目标检测算法1、目标检测算法2和目标检测算法3，对输入数据对应的病害进行识别，并对分析结果进行最优投票选择，最终输出预测结果及对应的治疗方法。
97.可选地，目标检测算法1可以为第三版本的单次检测算法(you only look once，yolo v3)、目标检测算法2可以为第四版本的单次检测算法(yolo v4)，目标检测算法3可以为单激发多盒探测算法(single shot multibox detector，ssd)，对输入数据对应的病害进行识别，
98.可选地，软件分析使用的模型还可以包括其他深度学习网络算法模型，比如第五版本的单次检测算法(yolo v5)、快速区域-卷积神经网络(faster convolutional neural networks，faster r-cnn)和分割快速区域-卷积神经网络(mask faster convolutional neural networks，mask r-cnn)。
descent，sgd)作为优化器(优化模型加快训练过程，节省网络训练的时间，初始学习率可以为0.001，动量可以为0.9(学习率和动量是sgd的两个参数)，批尺寸(batchsize)大小为8(每次从数据集取出8张图片输入模型进行训练)，损失函数使用交叉熵损失函数，设定训练35个epoch(epoch指模型训练的轮次)。以上是在马铃薯病害数据集进行模型的训练，但也可在其他农作物的数据集上进行训练，本发明对此不作限定。
116.图6是相关技术中的模型的损失函数图像，其中的模型可以为resnext50_32x4d，如图6所示，训练集损失曲线(train_loss)为两条曲线中位于上部的曲线，表示在训练集得到的损失值；验证集损失曲线(val_loss)为两条曲线中位于下部的曲线，表示在验证集得到的损失值；轮次数(epoch number)表示训练的轮次。
117.从图6中可以看出，train_loss和val_loss的曲线都在下降，表明模型拟合的效果良好，模型性能较好。
118.图7是本发明提供的改进后的模型的损失函数图像，其中的模型可以为resnext50_32x4d，如图7所示，训练集损失曲线(train_loss)为两条曲线中位于上部的曲线，表示在训练集得到的损失值；验证集损失曲线(val_loss)为两条曲线中位于下部的曲线，表示在验证集得到的损失值；轮次数(epoch number)表示训练的轮次。
119.从图7中可以看出，train_loss和val_loss的曲线都在下降，且下降幅度相比于图6更大，表明模型拟合的效果更好。
120.表1是相关技术中的模型和改进后的模型在测试集上得到的准确率，如表1所示，改进后的模型的准确率要稍高于现有技术中的模型，改进后的模型具有更好的性能。其中，准确率指模型对测试集正确分类的样本数与总样本数之比。
121.表1
122.模型类别改进的模型相关技术中的模型准确率(％)99.5698
123.本发明提供的农作物病害识别方法，在获取改进后的resnext模型之后，进一步使用最优投票选择机制，选择最优的病害识别结果，提高模型识别农作物病害的准确率。
124.本发明提供的农作物病害识别方法，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
125.下面对本发明提供的农作物病害识别装置进行描述，下文描述的农作物病害识别装置与上文描述的农作物病害识别方法可相互对应参照。
126.图8是本发明提供的农作物病害识别装置的结构示意图，如图8所示，本发明提供的农作物病害识别装置，包括：
127.识别单元810，用于使用改进后的resnext模型对农作物病害进行识别；
128.其中，所述resnext模型中全连接层的输出连接有dropout层。
129.本发明提供的农作物病害识别装置，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
130.可选地，识别单元810，还用于：
131.获取农作物信息样本集，所述样本集包括训练集、测试集和验证集；
132.基于所述训练集，对所述改进后的resnext模型进行训练；
133.基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量。
134.可选地，识别单元810，还用于：
135.将所述测试集输入所述改进后的resnext模型，获取所述测试集对应的病害识别结果；
136.基于所述病害识别结果的准确率，调整所述dropout层的概率值。
137.可选地，识别单元810，还用于：
138.在所述准确率为最大值的情况下，确定所述最大值对应的概率值为所述第一概率值；
139.设置所述dropout层的概率值为所述第一概率值。
140.可选地，识别单元810，还用于：
141.使用所述改进后的resnext模型，确定待识别农作物对应的第一病害类别；
142.将所述待识别农作物分别输入多种分类模型，确定所述待识别农作物分别对应的第二病害类别；
143.确定所述第一病害类别和所有所述第二病害类别中的第三病害类别，作为所述待识别农作物对应的病害识别结果；
144.其中，所述第三病害类别为所述第一病害类别和所有所述第二病害类别中重复次数最多的病害类别。
145.可选地，所述农作物信息样本集包括农作物图片和所述农作物的位置信息。
146.本发明提供的农作物病害识别装置，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
147.在此需要说明的是，本发明提供的上述农作物病害识别装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
148.图9是本发明提供的电子设备的结构示意图之一，如图9所示，该电子设备包括：处理器(processor)910、通信接口(communications interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行农作物病害识别方法；
149.其中，处理器910用于：
150.使用改进后的resnext模型对农作物病害进行识别；
151.其中，所述resnext模型中全连接层的输出连接有dropout层。
152.此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中，包括若干指令用以
使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
153.本发明提供的电子设备，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
154.可选地，处理器910，还用于：
155.获取农作物信息样本集，所述样本集包括训练集、测试集和验证集；
156.基于所述训练集，对所述改进后的resnext模型进行训练；
157.基于所述测试集，调整所述dropout层的概率值，以抑制模型输出的神经元数量。
158.可选地，处理器910，还用于：
159.将所述测试集输入所述改进后的resnext模型，获取所述测试集对应的病害识别结果；
160.基于所述病害识别结果的准确率，调整所述dropout层的概率值。
161.可选地，处理器910，还用于：
162.在所述准确率为最大值的情况下，确定所述最大值对应的概率值为所述第一概率值；
163.设置所述dropout层的概率值为所述第一概率值。
164.可选地，所述resnext模型为resnext50_32x4d模型。
165.可选地，所述dropout层后还连接有第二全连接层，所述第二全连接层中的神经元数量与预设的病害类别数量相同。
166.可选地，处理器910，还用于：
167.使用所述改进后的resnext模型，确定待识别农作物对应的第一病害类别；
168.将所述待识别农作物分别输入多种分类模型，确定所述待识别农作物分别对应的第二病害类别；
169.确定所述第一病害类别和所有所述第二病害类别中的第三病害类别，作为所述待识别农作物对应的病害识别结果；
170.其中，所述第三病害类别为所述第一病害类别和所有所述第二病害类别中重复次数最多的病害类别。
171.可选地，所述农作物信息样本集包括农作物图片和所述农作物的位置信息。
172.可选地，图10是本发明提供的电子设备结构示意图之二，如图10所示，该电子设备可以包括：包括显示屏1010、摄像头模组1020，glss模块1030、cpu模块1040、ram模块1050和rom模块1060和电池模块1070。
173.其中，显示屏1010设有登记键1011和电源键1012，电源键1012用于开启屏幕，登记键1011用于拍摄图像；摄像头模组1020包括高清摄像头(如：48mp摄像头)1021，用于获取农作物病害的图像数据；glss模块1030用于对农作物进行定位，获取地理位置信息；cpu模块1040是设备的中央处理器，电池模块1070为装置进行续航工作。
174.具体地，高清摄像头1021用于获取农作物病害的图像数据，然后通过ram模块1050和rom模块1060暂存到本地，进而使用采集app，采集可见光图片以及当前位置信息，最后通过加载多个识别模型来进行投票选择农作物病害信息，并且为使用者提供合理的解决方法。
175.可选地，上述多种模型可以通过电脑传输升级和扩充。上述装置的运行系统可以为安卓(android)，本发明对此不作限定。
176.本发明提供的电子设备，通过在resnext模型中的全连接层之后，进一步连接有dropout层，以改进resnext模型；进而使用改进后的resnext模型识别农作物病害，可以减少模型输出的神经元的数量，使模型更拟合农作物病害识别场景，避免现有的resnext模型对农作物病害进行识别时的过拟合现象，提高模型识别农作物病害的准确率。
177.在此需要说明的是，本发明提供的上述电子设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
178.另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的农作物病害识别方法，该方法包括：
179.使用改进后的resnext模型对农作物病害进行识别；
180.其中，所述resnext模型中全连接层的输出连接有dropout层。
181.又一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的农作物病害识别方法，该方法包括：
182.使用改进后的resnext模型对农作物病害进行识别；
183.其中，所述resnext模型中全连接层的输出连接有dropout层。
184.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
185.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各实施方式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。基于这样的理解，上述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软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
186.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。