(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 202210351150.1 (22)申请日 2022.04.02 (71)申请人 中技安全科技有限公司 地址 750000 宁夏回族自治区银川市金凤 区阅海湾中央商务区先进技术融合创 新中心A座6层601室 (72)发明人 高龙　李鹏宇　 (74)专利代理 机构 郑州卓豫德 鑫知识产权代理 事务所(普通 合伙) 41201 专利代理师 吉飞虎 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/776(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 20/68(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的葡萄病害识别方法 (57)摘要 本发明涉及葡萄病害识别技术领域， 且公开 了一种基于深度学习的葡萄病害识别方法。 本发 明的优点在于： 通过改进SE ‑ResNeXt50模型， 其 引入了SENet模型的自注意力机制， 实现了特征 通道的自适应校准， 可以自动的降低采集者拍摄 时光照、 拍摄角度、 背景颜色等干扰对识别效果 的影响， 利用多种数据增强方式也在一定程度上 抑制了外界因素带来识别上的扰动， 所以工作人 员无需在实验室进行数据拍摄， 可以直接在田间 作业实施数据采集， 对数据采集人员的专业素质 要求低， 有利于该技术的广泛推广， 在预测时对 预测样本同样做了不同程度的数据增强， 进一步 提高了模型预测的准确度， 克服前期数据样本不 足导致模型过拟合的情况发生， 间接提升模型识 别率。 权利要求书2页 说明书6页 附图2页 CN 114758171 A 2022.07.15 CN 114758171 A 1.一种基于深度学习的细粒度葡萄病害识别方法， 其特 征在于， 包括以下步骤： 1)由工作人员直接在田间拍摄采集葡萄叶的图像； 2)将采集后的图像利用图像标注脚本进行筛 选和标注后上传至图像数据库； 3)再利用随机光照、 对比度、 反转、 缩放等基本图形处理的图像增强技术对训练集进行 数据增强； 4)在ResNe Xt50网络中嵌入SENet模块得到新网络模型SE ‑ResNeXt50； 5)用新网络模型SE ‑ResNeXt50作为葡萄叶片复杂病害图像细粒度分类识别的主干网 络； 6)再利用五折交叉验证训练模型， 将数据集分为五份， 不重复地每次取其中一份做测 试集， 用其 他四份做训练集训练模型， 然后将五个模型进行保存； 7)将验证集五折后分别作为五个模型的输入， 并且把五个模型的输出结果与真实的标 签按照三比七的比例进行混合作为训练新模型的标签； 8)采用Adam和Cycle  Learning Rate的学习策略进行模型的训练； 9)采用热力图将模型对标签关键的识别部位 提取出来； 10)向模型输入增强后的图像， 像素大小为768*480， 模型的输出为叶片病症类别的概 率， 最后通过设置的阈值 来判别最终的模型输出病症类别。 2.根据权利要求1所述的一种基于深度 学习的细粒度葡萄病 害识别方法， 其特征在于， 所述SE‑ResNext50模型包括输入值x、 特征通道数c1、 特征通道数c2以及SE ‑ResNext50模型 的标准卷积操作Ftr， 所述特征通道数c2通过卷积操作Ftr变换后得到， 所述标准卷积操作 Ftr的输入输出定义如下 所示： 3.根据权利要求2所述的一种基于深度 学习的细粒度葡萄病 害识别方法， 其特征在于， 所述Ftr的输出uc公式如下： 其中， uc表示U中第c个二维矩阵， 下标c表示channel， 也就是图片的通道数。 *代表卷积 操作， 而 代表一个s通道的2 ‑D卷积核， 其输入是一个c hannel上的空间特 征。 4.根据权利要求2所述的一种基于深度学习的葡萄病害识别方法， 其特征在于， 所述 SE‑ResNext50模型标准卷积操作后进行Squeeze操作， 其过程就是将channel上整个空间特 征编码为 一个全局特 征， 采用Gl obal Average Pooling来实现， 其公式如下： 上式将H*W*C的输入转换成1*1*C的输出， 对应图1中的Fsq操作， 表明该层C个feature   map的数值分布情况， 最后通过求每个通道c,c∈{1,C}的feature  map的平均值得到Zc。 其 中， (H,W)表示图像的尺寸， C表示图像的通道数。权　利　要　求　书 1/2 页 2 CN 114758171 A 25.根据权利要求4所述的一种基于深度学习的葡萄病害识别方法， 其特征在于， 所述 SE‑ResNext50模型Squeeze操作结束后， 进行Excitation操作， 其中使用了两层全连接构成 的门机制， 门控单 元s的公式如下： s＝Fex(Z， W)＝σ(g(z， w) )＝σ(W2 δ(W1Z)) 其中δ表示ReLU激活函数， σ 表示sigmoid激活函数。 分别是 两个全连接层的权值矩阵。 r则是中间层的隐层节点数。 6.根据权利要求5所述的一种基于深度学习的葡萄病害识别方法， 其特征在于， 所述 就是门控单 元s与原始特征U的向量积， 公式如下： 其中 是 的一个特 征通道的一个F eature Map， sc是门控单 元s中的一个标量 值。 7.根据权利要求1所述的一种基于深度 学习的葡萄病 害识别方法， 其特征在于， 所述步 骤1)中图像的采集不要求图像的光照、 拍摄角度、 背 景， 所述步骤2)中人工标注的内容为图 像中叶片的病症， 不包括病症在图像中的位置 。权　利　要　求　书 2/2 页 3 CN 114758171 A 3