(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 202210507282.9 (22)申请日 2022.05.10 (71)申请人 安徽农业大 学 地址 230036 安徽省合肥市蜀山区长江西 路130号 (72)发明人 吴琪　吴云志　曾涛　乐毅　 张友华　余克健　胡楠　 (74)专利代理 机构 安徽合肥华信知识产权代理 有限公司 341 12 专利代理师 余成俊 (51)Int.Cl. 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 一种有雾环境下的病虫害检测方法 (57)摘要 本发明公开了一种有雾环境下的病虫害检 测方法， 包括以下步骤： 步骤1、 收集清晰的图像 作为训练Op timized‑AECR‑Net模型的数据集， 收 集病虫害的图 像作为 训练OACER ‑Swin  Transformer模型的数据集； 步骤2、 对数据集进 行预处理， 并对病虫害数据集进行加雾处理； 步 骤3、 构建并训练Optimized ‑AECR‑Net模型； 步骤 4、 构建并训练OACER ‑Swin Transformer模型； 步 骤5、 采用OACER ‑Swin Transformer模型进行病 虫害检测。 本发 明方法能够 有效避免因雾天拍摄 的图片质量差导致的模型性能差， 该方法适用于 有雾环境下的各种农作物病虫害检测。 权利要求书2页 说明书5页 附图2页 CN 114821239 A 2022.07.29 CN 114821239 A 1.一种有雾环境下的病虫害检测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取清晰图像数据和病虫害图像数据， 并以清晰图像数据构建第一训练集， 以 病虫害图像数据构建第二训练集； 步骤2、 分别 对步骤1得到的第一训练集、 第二训练集进行预处理， 其中第二训练集中的 图像数据在预处 理时进行加雾处 理； 步骤3、 构建并训练Optimized ‑AECR‑Net模型： 以AECR‑Net模型为基础构建Optimized ‑AECR‑Net模型， 所述AECR ‑Net模型包括对比正 则化网络和类自动编码器网络， 其中的类 自动编码器网络包括4倍下采样模块、 由6个特征 注意力块构成的特征融合模块、 2个动态特征增强模块、 4倍上采样模块； 将 类自动编码 器网 络中的特征融合模块中特征注意力块增设为8个， 其中的动态特征增强模块增设为4个， 并 在特征融合模块、 4个动态特征增强模块之 间增设由两层隐藏层构成的多层感知器， 由此得 到Optimized ‑AECR‑Net模型； 所述Optimized ‑AECR‑Net模型中的类自动编码器网络包括4 倍下采样模块、 由8个特征注意力块构成的特征融合模块、 多层感知器、 4个动态特征增强模 块、 4倍上采样模块； 将步骤2预处理后的第一训练集输入至所述Optimized ‑AECR‑Net模型中进行训练， 训 练后得到Optimized ‑AECR‑Net模型的最优配置参数； 步骤4、 构建并训练OAC ER‑Swin Transformer模型： 以步骤3得到的最优配置参数下的Optimized ‑AECR‑Net模型， 以及Swin  Transformer 模型为基础， 将所述Optimized ‑AECR‑Net模型的输 出连接所述Swin  Transformer模型的输 入， 由此构成OAC ER‑Swin Transformer模型； 将步骤2预处理后的第二训练集输入至所述OACER ‑Swin Transformer模型中进行训 练， 训练后得到OAC ER‑Swin Transformer模型的最优配置参数； 步骤5、 将待检测的有雾的病虫害图像输入至步骤4得到的最优配置参数下的OACER ‑ Swin Transformer模型， 由OAC ER‑Swin Transformer模型输出病虫害识别结果。 2.根据权利要求1所述的一种有雾环境下的病虫害检测方法， 其特征在于， 步骤2中进 行预处理时， 首先滤除第一训练集、 第二训练集中损坏的图像数据和重复的图像数据， 并删 除异常数据， 然后再对第二训练集中的图像数据进行加雾处 理。 3.根据权利要求1或2所述的一种有雾环境下的病虫害检测方法， 其特征在于， 通过标 准光学模型对第二训练集中的图像数据进行加雾处 理。 4.根据权利要求1所述的一种有雾环境下的病虫害检测方法， 其特征在于， 步骤3中， Optimized ‑AECR‑Net模型的类自动编码器网络中每个动态特征增强模块分别采用可变形 二维卷积核。 5.根据权利要求1所述的一种有雾环境下的病虫害检测方法， 其特征在于， 步骤3中 OACER‑Swin Transformer模型训练时， 对每次训练后OA CER‑Swin Transformer模型输 出结 果进行误差计算， 然后将误差结果反向传播到OACER ‑Swin Transformer模型的参数中， 由 此经过多次训练， 得到误差计算结果符合预期时的OACER ‑Swin Transformer模型的配置参 数作为最优配置参数。 6.根据权利要求5所述的一种 有雾环境下的病虫害检测方法， 其特征在于， 每次训练后 对OACER‑Swin Transformer模型的健壮性进行测试， 基于测试结果排除偶然因素对OACER ‑权　利　要　求　书 1/2 页 2 CN 114821239 A 2Swin Transformer模型的影响。权　利　要　求　书 2/2 页 3 CN 114821239 A 3