(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 202210835044.0 (22)申请日 2022.07.16 (71)申请人 江苏师范大学 地址 221004 江苏省徐州市铜山区上海路 101号 (72)发明人 刘笑意　段纳　 (74)专利代理 机构 温州市兴瓯步创知识产权代 理事务所(普通 合伙) 33494 专利代理师 花修洋 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的苹果叶片病害检测方 法 (57)摘要 本发明公开了一种基于深度学习的苹果叶 片病害识别方法。 首先采集苹果叶片病害图像构 建数据集， 并通过Mo saic数据增强方法对图像预 处理， 同时使用K ‑means算法重新聚类锚框， 然后 将训练集图像送入主干网络提取特征， 并引入注 意力机制提高重要特征权重。 接着在PANet网络 中新增一个小目标检测层， 最后将四种尺度特征 图送入Head层对病害种类及位置进行预测。 本发 明针对复杂背景下小目标苹果叶片病害识别准 确率不高的问题， 提供了一种基于深度学习的苹 果叶片病害识别方法， 检测精度达到98.7%， 在保 证实时性检测的前提下， 提高了病害图像识别准 确率。 权利要求书2页 说明书5页 附图2页 CN 115249329 A 2022.10.28 CN 115249329 A 1.一种基于深度学习的苹果叶片病害检测方法， 其特 征在于， 包括以下步骤： 步骤一： 采集苹果叶片病害图像， 建立病害数据集， 利用Mosaic方法对输入图像进行数 据增强， 并使用K ‑means算法对 锚框重新聚类； 步骤二： 将经过预处理的苹果叶片病害图像送入主干网络进行细粒度特征提取， 并在 主干网络最后一层引入E CA注意力模块； 步骤三： 在PANet网络中新增一个小尺度检测层， 并对主干 网络提取的多尺度特征图进 行融合； 步骤四： 将PANet网络中融合的四种 尺度特征图送入Head端进行预测， 并将损失函数改 进为CIOU， 使得回归框的精度更加准确， 最后输出病害的位置和类别； 步骤五： 训练结束后得到模型的预训练权重， 利用预训练权重对测试集进行验证， 检验 模型实际效果。 2.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 步 骤一所述的Mosaic方法具体为： Mosaic数据增广方法每次读取四张图片， 分别对 四张图片 进行翻转、 缩放、 色域变化， 并且按照四个方向位置摆好， 进行图片的组合和框的组合。 3.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 步 骤一所述的K ‑means算法聚类具体运 算流程为： 首先读取病 害数据集全部的标注框， 并随机选取12个样本作为数据集初始聚类的中心 点， 然后计算所有 标注框与12个聚类中心的欧式距离： ， 式中， 是 样本数， 是第 个聚类中心， 是样本对象维度， ， 是 和 的第 个属性值， 接着 分配其余样本到距离最近的聚类中心， 对分类后的样本重新计算新的聚类中心， 并继续进 行样本的分类， 直到聚类中心 点的值不再发生改变， 经过重新计算得到十二个锚框， 分配给 160×160、 80×80、 40×40、 20×20四个预测尺度， 每 个尺度分配三个锚框 。 4.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 步 骤二所述的注意力机制具体操作过程 为： 首先将输入的特征逐通道经过全局平均池化(Global  Average Pooling)获得聚合特 征 ， 再通过卷积核大小为 的一维卷积来生成通道权重， 其中 通过通道维度 的 映射自适应地确定， 然后经过Sigmoid函数得到了 个通道的权重 ， 最后将得到的 权重逐通道地乘以输入的特征 ， 获得通道注意力特征图， 当权重大时， 该通道 特征图的数值相 应的增大， 对最终输出 的影响也会变大,这样就了实现对各通道权重的调 整， ECA注意力模块通过考虑每个通道及其 个近邻来捕获局部跨通道信息交互， 提高网络 对小目标病斑的注意力。 5.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 步权　利　要　求　书 1/2 页 2 CN 115249329 A 2骤三所述的小尺度检测层具体为： 为了让网络获得更多的小目标信息， 需要融合大尺度的浅层特征图， 所以将PANet层中 80 80大小的特征图上采样放大到160 160大小， 并与主干网络中的160 160特征图堆叠 进行融合， 然后将融合后的特征图进行输出预测， 这样将原YOLOv5网络三种尺度的输出扩 展到四种尺度的输出， 在160 160、 80 80、 40 40、 20 20这四种尺度上进行预测， 对这四 种尺度特征图进 行融合处理， 可以在保留深层特征图语义信息的同时获得更多浅层特征图 的位置信息， 能够更好 地适用于小尺寸苹果叶片病害的检测与识别。 6.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 步 骤四所述的CIOU损失函数 具体为： CIOU损失函数计算公式为： ,式中， 为交并比， ， 分别为预测框和真实框的中心点， 为两个中心点的欧式距离， 为包含 和 最小外 接方框的对角线距离， 为权重系数， 用来度量纵横比的一 致性， 由于CIOU综合考虑了相交面积， 中心点距离和 纵横比三大因素， 使得预测框更加符合 真实框， 从而提高了回归的精度。 7.根据权利要求1所述的一种基于深度 学习的苹果叶片病 害检测方法， 其特征在于， 所 述步骤五中， 网络训练的参数： Batch_Size设置为16， 学习率为0.001， 权重衰减系数为   0.0005， 动量因子为0.937， 模型迭代次数设置为20 0次， 当模型损失函数与平均精度均值趋于稳定时， 得到最终的训练权重YOLOV5s.pt， 并用 训练权重检验测试集。权　利　要　求　书 2/2 页 3 CN 115249329 A 3