识别模型训练方法、辣椒疮痂病识别方法及装置与流程

本发明涉及深度学习领域，尤其涉及一种识别模型训练方法、辣椒疮痂病识别方法及装置。
背景技术：
：辣椒疮痂病又名细菌性斑点病，是辣椒生产上常发生的一种病害之一，每年均有发生，可引起大面积叶片脱落，造成严重减产。目前识别辣椒疮痂病的方法主要有人工检测、仪器检测、软件检测。其中，人工检测主要是农业专家和辣椒种植户使用肉眼和经验去判断辣椒叶片性状是否发生病变。仪器检测主要是对辣椒叶片进行切片，在生物工程实验室使用仪器设备检测。软件检测主要是通过使用开源计算机视觉库(opensourcecomputervisionlibrary，opencv)等传统方法对图片信息进行识别，或者借助第三方人工智能(artificialintelligence，ai)能力平台使用大量的数据进行训练识别模型。但是，人工检测依赖农业专家和辣椒种植户的经验，可能判断失误，存在误差。仪器检测主要采用将植物病变组织切片，送入专业检测机构使用相关仪器设备进行检测，该方法检测周期长，检测费用高昂。软件检测的方法上，主要调用opencv库函数，对辣椒疮痂病检测上准确度较低，或使用第三方ai平台需要数以千计的训练图像进行训练，农业上数据量少，标注难度大，需要专业人员标注相关数据，难以找到如此多的训练数据。技术实现要素：本发明实施例提供了一种识别模型训练方法、辣椒疮痂病识别方法、装置、设备和计算机可读存储介质，能够避免出现过拟合现象，实现小样本训练识别模型，从而减少训练参数，缩短训练时间，提高识别准确度。第一方面，本发明提供一种识别模型训练方法，该方法包括：获取训练数据集；对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，以获取辣椒疮痂病识别网络；利用训练数据集训练辣椒疮痂病识别网络，得到辣椒疮痂病识别模型。在第一方面的一些可实现方式中，获取训练数据集，包括：将原始数据集的辣椒疮痂病图像输入图像生成器，生成新的辣椒疮痂病图像；利用图像判别器判断新的辣椒疮痂病图像是否为有效的图像；当判断新的辣椒疮痂病图像为有效的图像时，保存新的辣椒疮痂病图像至原始数据集，得到扩增数据集；对扩增数据集预处理得到训练数据集。在第一方面的一些可实现方式中，对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，以获取辣椒疮痂病识别网络，包括：对路径聚合网络中的处于相邻无间隔的神经网络层的相同深度的神经元之间进行局部连接和/或对路径聚合网络中的处于同一卷积层的不同深度的神经元之间进行权重共享，以获取辣椒疮痂病识别网络。在第一方面的一些可实现方式中，辣椒疮痂病识别网络的卷积层的激活函数为线性整流函数。第二方面，本发明提供一种辣椒疮痂病识别方法，该方法包括：获取待识别图像；将待识别图像输入辣椒疮痂病识别模型，得到辣椒疮痂病识别结果，其中，辣椒疮痂病识别模型基于第一方面或者第一方面任一可实现方式中所述的识别模型训练方法得到。在第二方面的一些可实现方式中，将待识别图像输入辣椒疮痂病识别模型，获取辣椒疮痂病识别结果，包括：根据基于离散区间的特征融合法处理待识别图像，得到待识别图像的待检测区域的特征图；将待识别图像的待检测区域的特征图分类，得到辣椒疮痂病识别结果。第三方面，本发明提供一种识别模型训练装置，该装置包括：第一获取模块，用于获取训练数据集；第二获取模块，用于对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，以获取辣椒疮痂病识别网络；训练模块，用于利用训练数据集训练辣椒疮痂病识别网络，得到辣椒疮痂病识别模型。在第三方面的一些可实现方式中，第一获取模块包括：生成单元，用于将原始数据集的辣椒疮痂病图像输入图像生成器，生成新的辣椒疮痂病图像；判别单元，用于利用图像判别器判断新的辣椒疮痂病图像是否为有效的图像；保存单元，用于当判断新的辣椒疮痂病图像为有效的图像时，保存新的辣椒疮痂病图像至原始数据集，得到扩增数据集；预处理单元，用于对扩增数据集预处理得到训练数据集。在第三方面的一些可实现方式中，第二获取模块具体用于：对路径聚合网络中的处于相邻无间隔的神经网络层的相同深度的神经元之间进行局部连接和/或对路径聚合网络中的处于同一卷积层的不同深度的神经元之间进行权重共享，以获取辣椒疮痂病识别网络。在第三方面的一些可实现方式中，辣椒疮痂病识别网络的卷积层的激活函数为线性整流函数。第四方面，本发明提供一种辣椒疮痂病识别装置，该装置包括：获取模块，用于获取待识别图像；识别模块，用于将待识别图像输入辣椒疮痂病识别模型，得到辣椒疮痂病识别结果，其中，辣椒疮痂病识别模型基于第一方面或者第一方面任一可实现方式中所述的识别模型训练方法得到。在第四方面的一些可实现方式中，识别模块包括：处理单元，用于根据基于离散区间的特征融合法处理待识别图像，得到待识别图像的待检测区域的特征图；分类单元，用于将待识别图像的待检测区域的特征图分类，得到辣椒疮痂病识别结果。第五方面，本发明提供一种辣椒疮痂病识别设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中所述的识别模型训练方法或第二方面或者第二方面任一可实现方式中所述的辣椒疮痂病识别方法。第六方面，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中所述的识别模型训练方法或第二方面或者第二方面任一可实现方式中所述的辣椒疮痂病识别方法。本发明涉及深度学习领域，尤其涉及一种识别模型训练方法、辣椒疮痂病识别方法、装置、设备和计算机可读存储介质。本发明的识别模型训练方法、装置通过对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，得到辣椒疮痂病识别网络，然后利用辣椒疮痂病识别网络获得辣椒疮痂病识别模型，能够实现小样本训练识别模型，避免出现过拟合现象，从而减少训练参数，缩短训练时间。本发明的辣椒疮痂病识别方法、装置基于识别模型训练方法得到的辣椒疮痂病识别模型识别待识别图像，提高了辣椒疮痂病识别的准确度。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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。图1是本发明实施例提供的一种识别模型训练方法的流程示意图；图2是本发明实施例提供的线性整流函数的示意图；图3是本发明实施例提供的一种辣椒疮痂病识别方法的流程示意图；图4是本发明实施例提供的一种识别模型训练装置的结构示意图；图5是本发明实施例提供的一种辣椒疮痂病识别装置的结构示意图；图6是本发明实施例提供的一种辣椒疮痂病识别设备的结构示意图。具体实施方式下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。下面对本发明实施例所提供的识别模型训练方法进行介绍。图1是本发明实施例提供的一种识别模型训练方法的流程示意图；如图1所示，该识别模型训练方法主要可以包括以下步骤：步骤s110，获取训练数据集。首先，由于辣椒疮痂病的可用样本较少，需要对已有的可用样本进行扩增，从而获得一定量的扩增数据集用以训练。具体地，可以将原始数据集的辣椒疮痂病图像输入图像生成器，图像生成器根据该图像生成不同于原图像的新的辣椒疮痂病图像，然后利用图像判别器判断刚刚生成的新的辣椒疮痂病图像是否为符合实际的有效的图像，当新的辣椒疮痂病图像为有效的图像时，保存新的辣椒疮痂病图像至原始数据集，获得扩增数据集。作为一个具体的示例，图像生成器包括编码模块、转换模块、解码模块。图像生成器根据输入的图像生成不同于原图像的新的图像可以包括以下步骤：首先，编码模块可以利用卷积神经网络从输入图像中提取特征，将输入图像压缩成256个64*64的特征向量。其次，转换模块通过组合输入图像的不相近特征向量，转换输入图像的特征向量。其中，转换模块使用了6层重置(reset)模块，每个reset模块是一个由两个卷积层构成的神经网络层，能够达到在转换时同时保留原始图像特征的目标。然后，解码模块利用反卷积层完成从特征向量中还原出低级特征的工作，最后生成新的图像。其中，这里的生成的新的图像为新生成的辣椒疮痂病图像。进一步的，图像判别器的判断步骤包括：通过卷积网络提取出待判别图像的特征值，对于该特征值与原始数据集的加权特征值进行比较，若其特征值的误差小于预设误差阈值例如10％，即可以认为通过判别，即待判别图像为有效的图像，若其特征值的误差不小于10％，则可以认为未通过判别，将该待判别图像视为无效，可以剔除。其中，这里的待判别图像为新生成的辣椒疮痂病图像，因此，可以基于图像生成器与图像判别器之间的相互工作，重复生成，判别步骤，将原始数据集中的辣椒疮痂病图像数量得到扩增，得到扩增数据集。此外，需要对扩增数据集进行预处理以得到训练数据集。具体地，对扩增数据集的图像进行灰度化处理和滤波处理，得到训练数据集。其中，滤波处理可以使用高斯滤波，通过使用高斯函数对于图像进行卷积操作,可以得到滤波之后的图像。也就是说，步骤s110中获取的训练数据集为将原始数据集扩增之后获得的扩增数据集，且是将该扩增数据集预处理后得到的数据集。步骤s120，对路径聚合网络(pathaggregationnetwork，panet)中的多个神经元进行局部连接，和/或，对所述路径聚合网络中的多个神经元进行权重共享，以获取辣椒疮痂病识别网络。具体地，由于辣椒疮痂病病灶区域占整体叶片的区域较小，更多的区域则是正常的叶片区域，相互的图像关联性较强，只需要捕捉和检测辣椒疮痂病的病灶区域，对于叶片的大部分正常区域，并不需要提取特征。故而可以对路径聚合网络中的处于相邻无间隔的神经网络层的相同深度的神经元之间进行局部连接，和/或，对路径聚合网络中的处于同一卷积层的不同深度的神经元之间进行权重共享，以获取所述辣椒疮痂病识别网络。优选地，辣椒疮痂病识别网络可以具有7层。如此，能够实现训练参数的减少，避免了过多训练参数所带来的过拟合现象。作为一个具体的示例，对于辣椒疮痂病图像输入的64*64*3的像素值，采用全连接的方式，与下一层的神经网络32*32*6的神经网络共有64*64*3*32*32*6＝75497472个连接数。而采用局部连接的方式，每一个神经元只与上一层和下一层深度上与之相同的神经元相连接，那么连接数可以减少到64*64*3*3＝36864个连接数。此外，在同一卷积层之间，rgb三通道的神经元可以实现权重的共享，即处于同一卷积层的不同深度的神经元之间权重共享则其连接数还能减少一半为18432个连接数。作为一个具体的示例，为确定局部连接过程中每一个连接的偏差值rd(x)，可以采用如下的公式(1)计算。其中，yi表示第i层连接的输出结果，xi表示第i层输入图像，也就是说对于每一幅输入图像，n表示局部连接的起始层，m表示局部连接的终止层，α和γ都是表示权重系数,两者之和为1。接着，可以通过约束函数l2对于rd(x)进行最小化约束，使局部连接中的rd(x)可以获得最小值，在训练过程中，训练集用a＝{a1、a2、a3...an}表示，其中ai表示具体的训练样本，与之对应的真实标签图像用b＝{b1、b2、b3...bn}表示，bi表示具体的真实标签图像，输出结果如公式(2)所示。b′＝f(a，φ)(2)其中，φ表示权重估计参数，b′表示输出的图像，由此可以得出l2损失最小化约束式，如公式(3)所示。公式(3)输出α和γ两个参数，进而使rd(x)最小。其中，k表示神经网络总层数，c表示约束因子，优选地，可以设置α＝0.72、γ＝0.28、c＝0.002。对于rgb三通道分别采用上述的计算，得到rd(xr)、rd(xg)、rd(xb)。接着，针对于rgb三通道不同层数之间的权重共享，需要对于每个颜色通道进行权重分配，设置权重因子为1/w，其中w为局部连接的数量，rgb三层之间的rd(xr)、rd(xg)、rd(xb)根据公式(4)更新，将更新后的rd(xrgb)作为三层之间的共享权重。步骤s130，利用训练数据集训练辣椒疮痂病识别网络，得到辣椒疮痂病识别模型。具体地，将训练数据集输入辣椒疮痂病识别网络进行训练，得到辣椒疮痂病识别模型。在对辣椒疮痂病识别网络进行训练时，可以根据实际需求设置其目标函数，其中，该目标函数至少包括损失函数，通过目标函数的变化情况可以判断网络训练状况。而且可以通过随机梯度下降法来加速整个学习的过程，利用反向传播计算梯度。可选地，辣椒疮痂病识别网络的卷积层的激活函数可以为线性整流函数。图2示出了本发明实施例提供的线性整流函数的示意图。如图2所示，线性整流函数的梯度大多数情况下是常数，有助于网络的收敛，缓解小样本训练过程中过拟合的问题。为了便于理解辣椒疮痂病识别网络的训练，下面结合表1所示的辣椒疮痂病识别网络架构进行说明：表1主要功能层名称输入输出卷积核大小采样区域1输入层64*6432无无2卷积层132*3228*285*5无3池化层128*2814*14无2*24卷积层214*1410*105*5无5池化层210*105*5无2*26卷积层35*51*15*5无7全连接层1*1特征图无无如表1所示，输入层主要将传入的图像正则化，将尺寸不定的图像转换成统一规格的图像，此处我们将图像从不定尺寸转换成水平宽度64像素乘以垂直高度64像素。由上一层的输入层的输出结果可以得到，卷积层1的输入图像水平宽度为32像素，垂直高度也是32像素。该层对于输入图像使用6个5*5像素的卷积核对于图像进行第一次卷积运算，得到6个卷积层1的特征图。其参数数量为156个参数，输出结果为6个28*28像素的特征图，该层的激活函数是线性整流函数。在卷积之后就是池化操作，通过选取2*2像素的池化核进行池化，那么池化层1的输出结果就为14*14像素的特征图，数量共计6个。因为池化层1要求对于卷积层中2*2像素的区域内的灰度图像中的像素求和，所以在池化层1中的每个特征图是卷积层1中对于之前求和的结果再乘以权重之后加池化核自带的偏置，池化层1中每一个特征图的大小是卷积层1中特征图大小的四分之一，池化操作采用最大池化,输出为6个14*14像素的特征图。卷积层2中的每一个特征图与池化层1中所有的6个特征图相连接，可以表示为本层中每一个特征图是池化层1中所得到的特征图的不同组合。卷积层2中的特征图以池化层1中相邻的特征图的不同组合。将池化层1中所得到的6个特征图输入卷积层2中，可以得到16个10*10像素的特征图作为输出。卷积层2的前六个特征图与池化层1相连的三个特征图相连接。卷积层2的后面6个特征图与池化层1连接的四个特征图相连接，之后的三个特征图与s2层部分不相连的四个特征图相连接，最后一个与s2层的所有特征图相连。卷积核依然为5*5像素。其中，该层的激活函数是线性整流函数。池化层2的池化核依然是2*2像素，是将卷积层2中输出的10*10像素的特征图池化成5*5像素的特征图，连接方式采用卷积层1和池化层1的连接方式，依然采用最大池化，输出16个5*5像素的特征图。在卷积层3中，池化层2输入16个5*5像素的特征图，卷积核是5*5像素。经过尺度为5*5像素的卷积核操作，由于输入的图像和卷积核大小相同，在卷积操作之后，我们将得到120个1*1像素的特征图，所得到特征图与上一层的全部十六个图相连。其中，该层的激活函数是线性整流函数。全连接层将上一层卷积层3所得到的结果经过这一层的神经网络节点，将输入的特征图向量与神经网络的权重值进行矩阵乘积运算，所得到的结果与偏置值相加，经由激活函数激活之后将本层的输出结果输出，其中该激活函数为s型函数(sigmoidfunction)。可以理解，在使用验证数据集验证时，如果输出的特征图满足预设精度，也就是说，通过验证数据集验证训练的辣椒疮痂病识别网络能够达到预设识别准确度，则辣椒疮痂病识别网络训练完成，可以作为辣椒疮痂病识别模型，如果输出的特征图不满足预设精度，则可以重复上述的卷积与池化的相关步骤，通过多次卷积与池化的操作，得到预设精度的特征图，进而得到辣椒疮痂病识别模型。上述识别模型训练方法，对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，得到辣椒疮痂病识别网络，然后利用辣椒疮痂病识别网络获得辣椒疮痂病识别模型，能够实现小样本训练识别模型，避免出现过拟合现象，从而减少训练参数，缩短训练时间。基于本发明实施例的识别模型训练方法，本发明实施例还提供了一种辣椒疮痂病识别方法，如图3所示。本发明实施例的辣椒疮痂病识别方法主要可以包括以下步骤：步骤s210，获取待识别图像。步骤s220，将待识别图像输入辣椒疮痂病识别模型，得到辣椒疮痂病识别结果。其中，辣椒疮痂病识别模型基于图1所示实施例所述的识别模型训练方法得到。具体地，将辣椒疮痂病待识别图像输入辣椒疮痂病识别模型，根据基于离散区间的特征融合法处理辣椒疮痂病待识别图像，得到辣椒疮痂病待识别图像的待检测区域的特征图，将辣椒疮痂病待识别图像的待检测区域的特征图分类，得到辣椒疮痂病识别结果。作为一个具体的示例，首先将辣椒疮痂病待识别图像置于卷积层中，经过5个通用卷积层的提取，可以得到待识别图像的初步的特征图。然后使用3*3像素的框体在上一步得到的特征图上进一步提取特征，并且利用这些特征对于图像中的锚点进行预测。接下来将上面得到的锚点和特征传入一个双向的长短期记忆网络中，所得到的结果传入一个全连接层中。在这其中，这个双向长短期记忆网络是关键之处，该部分包含着128个隐含的神经元，对于该层网络，输入为由滑动框体所得到的3*3像素的特征图，输出为每个滑动框体所对应的特征向量。然后得到每个框体的高度和中心点的坐标，判断其是否包含病灶区域，对包含病灶区域的框体进行标记。最后对于每个被标记的框体进行连续拼接。每一个相邻的被标记的小框体组成一个候选区，对于每一个相邻的候选区合并，直到周围没有可以合并的候选区，相邻的候选区可以定义为中心点距离不超过指定距离，在这里相邻的候选区定义为中心点距离不超过5个像素。通过候选区域的合并，便可以得到辣椒疮痂病待识别图像的待检测区域的特征图。进而，将辣椒疮痂病待识别图像的待检测区域的特征图分类，得到辣椒疮痂病识别结果。上述辣椒疮痂病识别方法，基于识别模型训练方法得到的辣椒疮痂病识别模型识别待识别图像，提高了辣椒疮痂病识别的准确度。图4是本发明实施例提供的一种识别模型训练装置的结构示意图，如图4所示，该识别模型训练装置300主要可以包括：第一获取模块310、第二获取模块320、训练模块330。其中，第一获取模块310用于获取训练数据集。第二获取模块320用于对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，以获取辣椒疮痂病识别网络。训练模块330用于利用训练数据集训练辣椒疮痂病识别网络，得到辣椒疮痂病识别模型。在一些实施中，第一获取模块310包括：生成单元311、判别单元312、保存单元313、预处理单元314。其中，生成单元311用于将原始数据集的辣椒疮痂病图像输入图像生成器，生成新的辣椒疮痂病图像。判别单元312用于利用图像判别器判断新的辣椒疮痂病图像是否为有效的图像。保存单元313用于当判断新的辣椒疮痂病图像为有效的图像时，保存新的辣椒疮痂病图像至原始数据集，得到扩增数据集。预处理单元314用于对扩增数据集预处理得到训练数据集。在一些实施中，第二获取模块320具体用于：对路径聚合网络中的处于相邻无间隔的神经网络层的相同深度的神经元之间进行局部连接和/或对路径聚合网络中的处于同一卷积层的不同深度的神经元之间进行权重共享，以获取辣椒疮痂病识别网络。在一些实施中，辣椒疮痂病识别网络的卷积层的激活函数为线性整流函数。上述识别模型训练装置，对路径聚合网络中的多个神经元进行局部连接，和/或，对路径聚合网络中的多个神经元进行权重共享，得到辣椒疮痂病识别网络，然后利用辣椒疮痂病识别网络获得辣椒疮痂病识别模型，能够实现小样本训练识别模型，避免出现过拟合现象，从而减少训练参数，缩短训练时间。可以理解的是，本发明实施例的识别模型训练装置300，可以对应于本发明实施例图1中的识别模型训练方法的执行主体，识别模型训练装置300的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图1的识别模型训练方法中的相应部分的描述，为了简洁，在此不再赘述。本发明实施例还提供了一种辣椒疮痂病识别装置，如图5所示。本发明实施例的辣椒疮痂病识别装置400主要可以包括：获取模块410、识别模块420。其中，获取模块410用于获取待识别图像。识别模块420用于将待识别图像输入辣椒疮痂病识别模型，得到辣椒疮痂病识别结果，其中，辣椒疮痂病识别模型基于如上所述的识别模型训练方法得到。在一些实施中，识别模块420包括：处理单元421、分类单元422。处理单元421用于根据基于离散区间的特征融合法处理待识别图像，得到待识别图像的待检测区域的特征图。分类单元422用于将待识别图像的待检测区域的特征图分类，得到辣椒疮痂病识别结果。上述辣椒疮痂病识别装置，基于识别模型训练方法得到的辣椒疮痂病识别模型识别待识别图像，提高了辣椒疮痂病识别的准确度。可以理解的是，本发明实施例的辣椒疮痂病识别装置400，可以对应于本发明实施例图3中的辣椒疮痂病识别方法的执行主体，辣椒疮痂病识别装置400的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图3的辣椒疮痂病识别方法中的相应部分的描述，为了简洁，在此不再赘述。图6是本发明实施例提供的一种辣椒疮痂病识别设备的硬件结构示意图。如图6所示，本实施例中的辣椒疮痂病识别设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与辣椒疮痂病识别设备500的其他组件连接。具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到辣椒疮痂病识别设备500的外部供用户使用。也就是说，图6所示的辣椒疮痂病识别设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1和图4描述的识别模型训练方法和装置或图3和图5描述的辣椒疮痂病识别方法和装置。在一个实施例中，图6所示的辣椒疮痂病识别设备500包括：存储器504，用于存储程序；处理器503，用于运行存储器中存储的程序，以执行本发明实施例提供的识别模型训练方法或辣椒疮痂病识别方法。本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的识别模型训练方法或辣椒疮痂病识别方法。需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。当前第1页12