(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 202210598574.8 (22)申请日 2022.05.30 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 申请人 江苏省农业科 学院 (72)发明人 高尚兵　余骥远　李洁　唐琪　 陈新　缪奕可　曹鹏　袁星星　 杨瑞杰　陈浩霖　任珂　张海艳　 刘步实　李杰　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06T 7/00(2017.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于MS-PLNet模型绿豆叶斑病识别方 法及装置 (57)摘要 本发明提供了一种基于MS ‑PLNet模型绿豆 叶斑病识别方法及装置， 包括以下步骤： (1)获取 用于训练、 验证和测试的绿豆叶片数据集， 并且 对数据集进行图像预处理； (2)构建用于绿豆叶 斑病识别的MS ‑PLNet网络模型， 模型中的骨干网 络使用普通卷积和改进的深度可分离卷积进行 搭建， 并在搭建过程中进行通道数先增加再减少 最后再增加的三阶段策略， 减小网络参数； 在特 征融合阶段使用通道注意力机制， 根据通道的重 要程度， 关注重要通道， 抑制冗余通道； (3)使用 搭建的模型进行训练， 获得用于绿豆叶斑病检测 的分类器。 本发 明可用于 绿豆叶斑病和其他农作 物叶斑病的检测， 识别率高， 且具有较好的鲁棒 性与广泛的应用价 值。 权利要求书2页 说明书6页 附图5页 CN 114972264 A 2022.08.30 CN 114972264 A 1.一种基于 MS‑PLNet模型绿豆叶斑病识别方法， 其特 征在于， 包括以下步骤： (1)对预先获取包含多种病害种类的植物叶部病 害图像进行预处理， 并划分为训练集、 验证集和 测试集； (2)构建MS ‑PLNet叶斑病识别网络； (3)训练MS ‑PLNet叶斑病识别网络， 将经过预处理后的训练集通过搭建好 的MS‑PLNet 叶斑病识别网络， 对得到的预测结果与真实标签进行对比计算分类损失， 通过动量梯度下 降算法更新模型参数， 获得用于叶斑病识别的MS ‑PLNet模型； (4)绿豆叶斑病 识别， 将验证集 中的图像输入到步骤(3)训练好的MS ‑PLNet模型中评估 模型的性能， 将测试集中的图像输入到训练好的模型中通过前向传播得到该图像的叶片病 害类型。 2.根据权利要求1所述的基于MS ‑PLNet模型绿豆叶斑病识别方法， 其特征在于， 步骤 (1)所述图像为用普通相机拍摄的绿豆叶片图像， 对全部叶片图像进 行数据增强， 包括随机 光照变换、 左右翻转、 上 下翻转、 对角线翻转、 随机 裁剪。 3.根据权利要求1所述的基于MS ‑PLNet模型绿豆叶斑病识别方法， 其特征在于， 所述 MS‑PLNet叶斑病识别网络包括特征提取模块、 特征融合模块和分类器； 将三个尺度的图像 输入特征提取模块； 构建三个尺度的特征提取模块， 特征提取模块使用普通卷积和改进的 深度可分离卷积搭建， 在搭建过程中第一个特征提取模块增加 通道数， 第二个特征提取模 块减少通道数， 第三个特征提取模块增加 通道数； 将三个尺度的特征提取模块得到的特征 图输入到采用通道注 意力机制的特征融合模块； 将经过特征融合输出的特征图输入分类器 得到分类结果。 4.根据权利 要求1所述的基于MS ‑PLNet模型绿豆叶斑病 识别方法， 其特征在于， 所述步 骤(2)包括以下步骤： (21)图像输入阶段对输入的3通道图像resize为128 ×128像素， 标记为IM0； 第一个特 征提取模块输入UnSample反卷积操作后的256 ×256像素图像， 标记 为IM1； 第二个特征提取 模块输入128 ×128像素图像， 标记为IM2； 第三个特征提取模块输入MaxPool2d最大池化操 作后的64 ×64像素图像， 标记为 IM3； (22)第一个尺度的特征提取模块中将IM1作为多卷积网络的输入进行卷积核为4 ×4的 计算获得C11， 将C11进行卷积核为1 ×1的点卷积增加通道数和7 ×7的深度卷积计算获得 C12， 将C12进行相同的卷积计算获得C13， 将 C13再进行相同的卷积计算获得C14， 将 C14进行 卷积核为1 ×1的点卷积减少通道数和7 ×7的深度卷积计算获得C15， 将C15进行卷积核为1 ×1的点卷积增加通道数和7 ×7的深度卷积计算获得C16， 将C16进行相同的卷积计算获得 C17； 第二个尺度的特征提取模块中将IM2作为多 卷积网络的输入进行卷积核为4 ×4的计算 获得C21， 将C21进行卷积核为 1×1的点卷积增加通道数和5 ×5的深度卷积计算获得C22， 将 C22进行相同的卷积计算获得C23， 将 C23再进行相同的卷积计算获得C24， 将 C24进行卷积核 为1×1的点卷积减少通道数和7 ×7的深度卷积计算获得C25， 将 C25进行卷积核为1 ×1的点 卷积增加通道数和7 ×7的深度卷积 计算获得C26， 将 C26进行相同的卷积计算获得C27； 第三 个尺度的特征提取模块中将IM3作为多卷积网络的输入进行卷积核为4 ×4的计算获得C31， 将C31进行卷积核为1 ×1的点卷积增加通道数和3 ×3的深度卷积计算获得C32， 将C32进行 相同的卷积计算获得C33， 将C33再进行相同的卷积计算获得C34， 将C34进行卷积核为1 ×1权　利　要　求　书 1/2 页 2 CN 114972264 A 2的点卷积减少通道数和3 ×3的深度卷积 计算获得C35， 将C35进 行卷积核为1 ×1的点卷积增 加通道数和3 ×3的深度卷积计算获得C 36， 将C36进行相同的卷积计算获得C 37； (23)将通过三个尺度的特征提取模块获得的特征图C17、 C27和C37通过concatenate操 作进行特征融合获得R1， 将R1通过通道注意力机制重新调整各特征通道所占权重， 将高维 度的特征进行合理的重组获得R2； (24)将R2输入到平均池化层、 全连接层和Softmax激活函数， 输出分类结果。 5.一种基于MS ‑PLNet模型绿豆叶斑病识别装置， 包括存储器、 处理器及存储在存储器 上并可在处理器上运行 的计算机程序， 其特征在于， 所述计算机程序被加载至处理器时实 现根据权利要求1 ‑4任一项所述的基于 MS‑PLNet模型绿豆叶斑病识别方法。权　利　要　求　书 2/2 页 3 CN 114972264 A 3