(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 202211355295.5 (22)申请日 2022.11.01 (71)申请人 宏景科技股份有限公司 地址 510000 广东省广州市高新 技术产业 开发区科学城科学大道162号B2区第 七层701、 702单 元 (72)发明人 刘林　林山驰　孙吉元　 (74)专利代理 机构 广州润禾知识产权代理事务 所(普通合伙) 44446 专利代理师 林伟斌 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 20/52(2022.01) G06V 20/40(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于改进的Unet网络结构用于农作物病害 情况训练和评估方法 (57)摘要 本发明公开了一种基于改进的Unet网络结 构用于农作物病害情况训练和评估 方法， 属于图 像识别领域与农业生产领域。 本发明包括： 采集 农作物叶片图像， 形成农作物叶片图像数据集； 将农作物 叶片图像数据集划分出训练集和测试 集； 对Unet网络进行改进， 得到改进的U net网络； 将训练集导入到改进的U net网络中进行训练， 用 测试集对训练后的改进的Unet网络进行测试， 测 试通过后得到用于农作物病害情况评估方法的 改进的Unet网络。 本发明可以用于分析农作物病 害情况， 解决农作物病害分析严重依赖于人为的 识别和判断， 不能及时发现病害， 造成病害进一 步恶化的问题。 权利要求书3页 说明书9页 附图9页 CN 115410070 A 2022.11.29 CN 115410070 A 1.一种农作物病害情况识别模型训练方法， 所述训练方法基于Unet网络进行， 所述 Unet网络包括特征提取网络、 特征融合网络和若干个第一卷积， 其特征在于， 所述方法包 括： 采集农作物叶片图像， 形成农作物叶片图像数据集； 将农作物叶片图像数据集划分出训练集和 测试集； 对Unet网络进行改进， 得到改进的Unet网络； 将训练集导入到改进的Unet网络中进行训练， 用测试集对训练后的改进的Unet网络进 行测试， 测试通过后得到用于农作物病害情况识别方法的改进的Unet网络； 所述对Unet网络进行改进， 具体为： 所述特征提取网络和特 征融合网络分别包 含若干个顺次连接的第一基本卷积算子； 在特征提取网络中， 每个所述第一基本卷积算子后均连接有一个第一残差模块， 每一 个所述第一残差模块经最大池化处 理后连接 到下一个第一基本卷积算子； 在特征融合网络中， 每个所述第一基本卷积算子后连接有一个第二残差模块， 每一个 所述第二残差模块经 上采样处 理后连接 到下一个第一基本卷积算子； 特征提取网络中每个所述第一基本卷积算子还通过其后连接的所述第一残差模块连 接至对应的第一卷积。 2.根据权利要求1所述的一种农作物病 害情况识别模型训练方法， 其特征在于， 所述第 一残差模块和/或第二残差模块包括： 若干组顺序连接的第二卷积、 第一批归一 化和第一线性 修正单元； 还包括一个跳过连接， 所述跳过连接位于最后一组中的第二卷积和第一批归一化之 间； 所述跳过 连接还连接 至第一组的第二卷积的输入端。 3.根据权利要求1所述的一种农作物病 害情况识别模型训练方法， 其特征在于， 所述第 一基本卷积算子包括： 顺次相连的第三卷积、 第二批归一 化和第二线性 修正单元。 4.根据权利要求2所述的一种农作物病害情况识别模型训练方法， 其特征在于， 还包 括： 第一单元； 所述第一单 元包括顺次连接的第二基本卷积算子、 第四卷积和第三残差模块； 所述第二基本卷积算子与 所述第一基本卷积算子结构相同， 所述第 三残差模块与 所述 第一残差模块结构相同； 所述特征提取网络中的最后一个所述第一残差模块经最大池化处理后连接所述第二 基本卷积算子； 所述第三残差模块经上采样后连接所述特征融合网络中的第一个所述第一基本卷积 算子。 5.根据权利要求4所述的一种农作物病害情况识别模型训练方法， 其特征在于， 还包 括： 第二单元； 所述第二单元包括顺次连接的第三基本卷积算子、 第 四残差模块、 第五卷积和若干个权　利　要　求　书 1/3 页 2 CN 115410070 A 2第四基本卷积算子， 所述第三基本卷积算子、 第 五基本卷积算子均与所述第一基本卷积算 子结构相同， 所述第四残差模块与所述第一残差模块结构相同； 所述第四残差模块经最大池化处理后连接所述特征提取网络中的第一个所述第一基 本卷积算子； 所述特征融合网络中的最后一个所述第二残差模块经上采样后连接第一个所述第四 基本卷积算子 。 6.根据权利要求5所述的一种农作物病害情况识别模型训练方法， 其特征在于， 还包 括： 第三单元； 所述第三单元包括顺序连接的第六卷积和第五基本卷积算子， 所述第五基本卷积算子 与所述第一基本卷积算子结构相同； 所述第二单元中最后一个所述第四基本卷积算子经跳跃式传递后连接所述第五基本 卷积算子； 所述特征提取网络中第一个所述第一基本卷积算子的输入端还连接所述第六 卷积。 7.根据权利要求6所述的一种农作物病害情况识别模型训练方法， 其特征在于， 还包 括： 若干个注意力控制门： 所述第一卷积、 第五卷积和第六卷积后均跳跃式连接一个所述注意力控制门至对应的 第一卷积算子、 第四基本卷积算子和第五基本卷积算子 。 8.根据权利要求7 所述的一种农作物病害情况识别模型训练方法， 其特 征在于， 所述第三残差模块还通过门控信号连接第一个所述第一卷积后的注意力控制门； 最后一个所述第二残差模块还通过门控信号连接所述第五卷积后的注意力控制门； 最后一个所述第四基本卷积算子还通过门控信号连接所述第六卷积后的注意力控制 门； 除最后一个所述第 二残差模块外， 其余所述第 二残差模块均分别通过门控信号顺 次连 接除第一个所述第一卷积外其 余的第一卷积后的注意力控制门。 9.根据权利要求8所述的一种农作物病 害情况识别模型训练方法， 其特征在于， 所述注 意力控制门包括： 重采样函数、 连接模块、 张积量、 若干个激活函数和若干个卷积核； 所述第一个所述卷积核的输入端连接门控信号； 第二个卷积核的输入端对应连接第一卷积或第四卷积或第五卷积； 第一个所述卷积核和第二个所述卷积核的输出端均连接所述连接模块的输入端； 所述连接模块的输出端连接第三线性 修正单元的输入端； 第三线性 修正单元的输出端连接第三个卷积核的输入端； 第二个所述卷积核的输出端连接 激活函数的输入端； 激活函数的输出端连接 重采样函数的输入端； 所述重采样函数的输出端连接张积量的输入端； 所述张积量的输入端还连接所述第一卷积或第四卷积或第五卷积的输入端。 10.一种农作物病害情况评估方法， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 115410070 A 3