(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 202210498101.0 (22)申请日 2022.05.09 (71)申请人 无锡学院 地址 214105 江苏省无锡市锡山大道3 33号 (72)发明人 朱节中　黄凤星　余晓栋　杨再强　 (74)专利代理 机构 南京汇盛专利商标事务所 (普通合伙) 32238 专利代理师 乔炜　张立荣 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 20/40(2022.01) G06V 20/52(2022.01) (54)发明名称 一种基于卷积网络的葡萄病斑 检测方法 (57)摘要 本发明涉及一种基于卷积网络的葡萄病斑 检测方法， 该方法首先获取待检测的葡萄叶片病 害数据集和相应的标注掩码图片； 然后将数据集 随机划分为训练集和测试集两部分； 然后构建卷 积神经网络， 该卷积神经网络包括编码器和解码 器， 所述编码器包括特征提取器和自注意力模 块， 所述特征提取器包括两个卷积层和Mi sh激活 函数； 所述解码器由上采样和一个特征提取器组 成； 再将训练集数据输入到上述卷积神经网络中 进行训练， 并通过Dic e损失函数计算网络中输 出 的Mask图片与对应标注掩码图片Mi中的每个子 像素点的差值； 同时将计算出来的差值通过反向 传播对每一个卷积核进行更新； 最后， 测试准确 率， 该方法快捷、 高效且相比于现有方法具有更 好的泛化 性。 权利要求书1页 说明书4页 附图1页 CN 114861883 A 2022.08.05 CN 114861883 A 1.一种基于卷积网络的葡萄病斑 检测方法， 其特 征在于， 包括如下步骤： 1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi； 2)将数据集Ri随机划分为Ti训练集和Vi测试集两 部分； 3)构建卷积神经网络， 该卷积神经网络包括编码器和解码器， 所述编码器包括特征提 取器和自注意力模块， 所述特征提取器包括两个卷积层和Mish激活函数； 所述解码器由上 采样和一个特 征提取器组成； 4)将训练集数据输入到上述卷积神经网络中进行训练， 并通过Dice损失函数计算网络 中输出的Mask图片与对应标注掩码图片 Mi中的每个子像素点的差值； 同时将 计算出来的差 值通过反向传播对每一个卷积核 进行更新； 5)将测试集数据输入到训练好的卷积神经网络中， 得到测试集 准确率。 2.根据权利要求1所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述Ri图片大 小为H*W*3， H与W分别为图片的长 宽， 3为图片通道； Mi图片大小为H *W*1。 3.根据权利要求2所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述训练集和 测试集分别占数据集Ri总数的90％和10％。 4.根据权利要求1所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述特征提取 器中两个卷积层的卷积核大小为3 *3， 步长为1， Pad ding为1。 5.根据权利要求4所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述自注意力 网络包括六层： 第一层为特征输入层F1； 第二层为最大池化层和平均池化层； 第三层为卷积层； 第四层 为基于H和W的最大池化和平均池化层； 第五层为两层的全连接层， 激活函数为 Rule； 第六层 为输出层。 6.根据权利要求5所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述步骤4) 中， 将Mi的图片通过归一化压缩， 得到的图片为A， 取输出层的每个通道数的平均值将其压 缩为H*W*1大小， 其输出为B， 则Dice损失函数 可以表达为 7.根据权利要求6所述基于卷积网络的葡萄病斑检测方法， 其特征在于， 所述步骤5) 中， 测试集的平均像素准确率MAP达 到0.9时即完成训练。权　利　要　求　书 1/1 页 2 CN 114861883 A 2一种基于卷积网 络的葡萄病斑检测方 法 技术领域 [0001]本发明涉及一种基于卷积神经网络的葡萄病斑 检测方法， 属于图像处 理领域。 背景技术 [0002]在葡萄种植过程中， 容易受到天气， 环境， 微生物， 病毒和细菌等影响而产生各种 病害， 如白粉病、 霜霉病、 炭疽病、 灰霉病、 褐斑病和黑腐病等， 这些病症多发生在植株叶片 部位， 严重时会影响植株的光合作用， 造成作物产量和品质下降， 给果农造成重大经济损 失。 因此， 对葡萄植株叶部病害种类进 行快速准确的判定， 及时对病害进 行防治是提升作 物 的产量和质量的基础。 [0003]目前最常见的农作物病害检测方法， 是根据种植经验来判断农作物是否发生了病 害， 分辨出病害种类以及病害的程度， 并根据自己的判断来对其采取相应的防治措施。 在农 作物种植面积较广的情况下， 通过人为方式来识别病害是不切实际的， 且这种识别方式覆 盖面较小， 其 准确性难以得到保障。 发明内容 [0004]本发明为了解决现有技术中存在的问题， 提供一种快捷、 高效及具有更好的泛化 性的基于卷积网络的葡萄病斑 检测方法。 [0005]为了达到上述目的， 本发明提出的技术方案为： 一种基于卷积网络 的葡萄病斑检 测方法， 其特 征在于， 包括如下步骤： [0006]1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi； [0007]2)将数据集Ri随机划分为Ti训练集和Vi测试集两 部分； [0008]3)构建卷积神经网络， 该卷积神经网络包括编码器和解码器， 所述编码器包括特 征提取器和自注意力模块， 所述特征提取器包括两个卷积层和 Mish激活函数； 所述解码器 由上采样和一个特 征提取器组成； [0009]4)将训练集数据输入到上述卷积神经 网络中进行训练， 并通过D ice损失函数计算 网络中输出的Mask图片与对应标注掩码图片 Mi中的每个子像素点的差值； 同时将 计算出来 的差值通过反向传播对每一个卷积核 进行更新； [0010]5)将测试集数据输入到训练好的卷积神经网络中， 得到测试集 准确率。 [0011]对上述技术方案的进一步设计为： 所述Ri图片大小为H*W*3， H与W分别为图片的长 宽， 3为图片通道； Mi图片大小为H *W*1。 [0012]所述训练集和 测试集分别占数据集Ri总数的90％和10％。 [0013]所述特征提取器中两个卷积层的卷积核大小为3 *3， 步长为1， Pad ding为1。 [0014]所述自注意力网络包括六层： [0015]第一层为特征输入层F1； 第二层为最大池化层和平均 池化层； 第三层为卷积层； 第 四层为基于H和W的最大池化和平均池化层； 第五层为两层的全连接层， 激活函数为 Rule； 第 六层为输出层。说　明　书 1/4 页 3 CN 114861883 A 3