(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210278313.8 (22)申请日 2022.03.21 (71)申请人 西北农林科技大 学 地址 712100 陕西省咸阳市杨凌示范区 邰 城路3号 (72)发明人 刘斌　张嘉琦　田靓靓　张海曦　 袁爱红　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 安彦彦 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的苹果叶部病害诊 断方法 (57)摘要 本发明提出了一种基于卷积神经网络的苹 果叶部病害诊断方法， 该方法针对含有不同大小 的病变区域的苹果叶病检测问题， 提出了多尺度 特征提取、 V ‑空间定位 分支和多尺度注意力机制 相结合的苹果叶部病害检测方法， 实现对不同尺 度病斑的准确检测。 该方法旨在对不同大小的病 斑提取更可靠的特征表示， 提高最终检测性能。 建立多尺度特征提取， 融合不同层次的特征， 进 一步提高苹果叶片病害， 特别是小病斑的检测性 能。 然后提出了V ‑空间定位分支， 在增强病斑定 位的纹理特征信息方面发挥了重要作用。 同时， 利用注意力机制， 自动学习不同尺度的特征通道 对区分不同大小的病斑的重要性。 权利要求书2页 说明书8页 附图2页 CN 114638959 A 2022.06.17 CN 114638959 A 1.一种基于卷积神经网络的苹果叶部病害 诊断方法， 其特 征在于， 包括以下步骤： 步骤1， 将待处 理图片数据分为训练集、 验证集和 测试集； 步骤2， 将训练集中一批数据输入至VGG前置 网络中， 通过VGG前置网络提取出不同级别 的病害特征； 将VGG前置网络中的卷积层4_3、 卷积层FC7和卷积层7_2三个卷积层的输出特 征图输入至金字塔特 征提取器， 金字塔特 征提取器生成7个金字塔特 征图； 对所述训练集中一批数据通过最大池化操作， 下采样后获得 7个纹理特征图； 将金7个金字塔特征图和7个纹理特征图以通道维度拼接的方法融合后， 获得7个病害 特征图； 将7个病害特 征图通过多尺度注意力模块处 理获得每一个病害特 征图的分配权 重； 步骤3， 在每一个病 害特征图的单元格中心设置默认框， 获得默认框在原图像 中的位置 信息， 通过默认框在原图像的位置信息， 计算损失函数； 通过损失函数， 修改神经网络网络 模型的权 重参数； 将训练集中的数据分批次输入至神经网络模型中， 直至训练集的中数据训练结束且损 失函数和模型 的预测准确率均趋于稳定时， 获得最终的神经网络模型； 所述神经网络模型 中有每一个特 征通道的重要性权 重； 步骤4， 将待诊断图像输入至神经网络模型中， 通过每一特征通道 的重要性权重， 获得 诊断结果， 在待 诊断图像上 标出病害类别和病斑位置 。 2.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤2中， 所述VGG前置网络中的全连接层FC6和FC7为空洞卷积层； 所述卷积层7_2的卷 积核大小为3 ×3， 步长为2。 3.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤2中， 金字塔特征提取器生成的7种特征图为64 ×64、 32×32、 16×16、 8×8、 4×4、 2 ×2、 1×1。 4.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤2中， 将训练集中病害数据图像RGB空间转化为HSV空间， 提取HSV空间中的V通道输 入到V通道定位分支中， V 通道定位分支 通过最大池化操作， 对V 通道以步长为2进 行下采样， 生成7中特 征图为： 64 ×64、 32×32、 16×16、 8×8、 4×4、 2×2、 1×1。 5.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤2中， 将7个病害特征图输入至多尺度注意力模块中， 通过挤压阶段转化为1 ×1×C 的一维特征图， 通过激励阶段输出金字塔状的激励阶段特征图， 将激励阶段特征图和病害 特征图共同缩放后， 获得最终特 征图， 所述 最终特征图包含有每个特征通道的权 重。 6.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤3中， 获得默认框在原图像中的位置信息过程 为： 其中， sk表示默认框在每 个特征图上的缩放系数， ar表示不同的纵横比。 7.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114638959 A 2于， 损失函数的计算过程 为： 8.根据权利要求1所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， 步骤4中， 将待诊断图像输入至神经网络模型中， 获取每一个病害类别对应的得分最高 的前两百个默认框； 从默认框中找出loU分数最大的默认框， 在选出的默认框上标出病害类 别及位置 。 9.根据权利要求8所述的一种基于卷积神经网络的苹果叶部病害诊断方法， 其特征在 于， loU的计算公式为： 其中， A和B代 表分数最高的默认框和其 他的默认框 。权　利　要　求　书 2/2 页 3 CN 114638959 A 3