欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023117114808
申请人: 江西农业大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于双路径卷积神经网络的叶片病害识别方法,其特征在于,包括:采集作物叶片的待识别图像;

将所述待识别图像输入预先训练过的双路径卷积神经网络中,以获取叶片特征信息;

根据所述叶片特征信息,在预先设置的叶片病害数据库中对叶片病害类型进行判定,以最终预测识别叶片病害类型;

所述将所述待识别图像输入预先训练过的双路径卷积神经网络中,以获取叶片特征信息的步骤包括:将所述待识别图像输入基础卷积块,以获取基础特征信息;

对所述基础特征信息进行一次降采样操作后分为完全相同的三份基础特征信息,进而再输入TBP块中;

将所述三份基础特征信息分别输入所述TBP块的三个分支中,所述三个分支分别为瓶颈结构分支、逆瓶颈结构分支、非卷积分支;

获取所述三个分支提取的全部特征信息,并将所述全部特征信息合并为多尺度特征信息。

2.根据权利要求1所述的基于双路径卷积神经网络的叶片病害识别方法,其特征在于,所述将所述待识别图像输入预先训练过的双路径卷积神经网络中,以获取叶片特征信息的步骤之前包括:将采集到的作物叶片的待识别图像进行两次降采样操作;

将两次降采样后的图像分为完全相同的两份待识别图像,并将所述两份待识别图像分别输入双路径卷积神经网络的不同通道中。

3.根据权利要求1所述的基于双路径卷积神经网络的叶片病害识别方法,其特征在于,所述获取所述三个分支提取的全部特征信息,并将所述全部特征信息合并为多尺度特征信息的步骤之后包括:对多尺度特征信息进行一次降采样操作后分为完全相同的两份多尺度特征信息,进而再输入SE块;

将所述两份多尺度特征信息分别输入SE块的两个分支中,所述两个分支分别为加权分支和原始分支;

所述多尺度特征信息输入加权分支后,通过全局平均池化层将所述多尺度特征信息压缩为标量;

将所述标量通过两个全连接层,以学习通道之间的权重;

将加权分支获取的权重与原始分支获取的多尺度特征信息相乘合并,以获取加权特征信息。

4.根据权利要求3所述的基于双路径卷积神经网络的叶片病害识别方法,其特征在于,所述将加权分支获取的权重与原始分支获取的多尺度特征信息相乘合并,以获取加权特征信息的步骤之后包括:对加权特征信息进行一次降采样操作后分为完全相同的两份加权特征信息,进而再输入W残差块;

将所述两份加权特征信息分别输入W残差块的两个分支中,所述两个分支分别为深度可分离卷积分支和原始分支;

所述加权特征信息输入深度可分离卷积分支后,通过深度卷积层和点卷积层获取深度特征;

将深度可分离卷积分支获取的深度特征和原始分支获取的加权特征信息合并,以获取深层特征信息。

5.根据权利要求4所述的基于双路径卷积神经网络的叶片病害识别方法,其特征在于,所述将深度可分离卷积分支获取的深度特征和原始分支获取的加权特征信息合并,以获取深层特征信息的步骤之后还包括:对深层特征信息进行一次降采样操作;

将双路径卷积神经网络两个通道获取的所述深层特征信息进行合并,以获取叶片特征信息。

6.根据权利要求1所述的基于双路径卷积神经网络的叶片病害识别方法,其特征在于,所述根据所述叶片特征信息,在预先设置的叶片病害数据库中对叶片病害类型进行判定,以最终预测识别叶片病害类型的步骤包括:将叶片特征信息输入自适应池化层和全连接层,以将所述叶片特征信息展平,获取一个一维特征向量;

将所述一维特征向量输入识别分类器,通过softmax函数将所述一维特征向量映射到不同类别的概率分布上,再通过交叉熵损失函数来最小化双路径卷积神经网络模型输出的概率分布与真实标签的概率分布之间的差异,获取概率最高的类别,并将所述类别与预先设置的叶片病害数据库中的病害类别进行对应并输出最终预测识别叶片病害类型。

7.一种基于双路径卷积神经网络的叶片病害识别系统,其特征在于,包括:数据采集模块,用于采集作物叶片的待识别图像;

特征提取模块,用于将所述待识别图像输入预先训练过的双路径卷积神经网络中,以获取叶片特征信息,所述将所述待识别图像输入预先训练过的双路径卷积神经网络中,以获取叶片特征信息的单元包括:将所述待识别图像输入基础卷积块,以获取基础特征信息,对所述基础特征信息进行一次降采样操作后分为完全相同的三份基础特征信息,进而再输入TBP块中,将所述三份基础特征信息分别输入所述TBP块的三个分支中,所述三个分支分别为瓶颈结构分支、逆瓶颈结构分支、非卷积分支,获取所述三个分支提取的全部特征信息,并将所述全部特征信息合并为多尺度特征信息;

病害识别模块,用于根据所述叶片特征信息,在预先设置的叶片病害数据库中对叶片病害类型进行判定,以最终预测识别叶片病害类型。

8.一种存储介质,其特征在于,包括:所述存储介质存储一个或多个程序,所述程序被处理器执行时实现如权利要求1‑6任一项所述的基于双路径卷积神经网络的叶片病害识别方法。

9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中:所述存储器用于存放计算机程序;

所述处理器用于执行所述存储器中存放的所述计算机程序时,实现权利要求1‑6任一项所述的基于双路径卷积神经网络的叶片病害识别方法。