(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 202210884230.3 (22)申请日 2022.07.25 (71)申请人 重庆芸山实业有限公司 地址 404511 重庆市 云阳县红狮镇永福村1 组(自主承诺) (72)发明人 杨雪梅　李黎　 (74)专利代理 机构 重庆千石专利代理事务所 (普通合伙) 50259 专利代理师 冷奇峰　周云涛 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工智能的菊花叶病诊断方法及 设备 (57)摘要 本发明公开了一种基于人工智能的菊花叶 病诊断方法及设备， 诊断方法包括拍摄获得菊花 叶图像， 获取预先训练完成的菊花叶病识别网 络， 前置特征映射模块提取菊花叶图像的低阶特 征， 抽象特征提制模块和层 级池化操作层交替对 特征图操作处理， 次级特征图顺次经过全空间平 均池化操作层、 全连接映射层和末端分类器， 输 出得到分类结果等步骤。 综合一体注 意力模块以 抽象特征提制模块中多个位置生成的特征图作 为输入， 从中学习它们之间的相似性和差异性， 最后得到的综合调制图中同时包含了空间方向 和通道方向上的特征信息， 调制效果比现有的注 意力机制更好。 测试结果表明， 本发明的菊花叶 病识别网络识别诊断效果优于现有的模型。 权利要求书2页 说明书5页 附图2页 CN 115187814 A 2022.10.14 CN 115187814 A 1.一种基于人工智能的菊花叶病诊断方法， 其特 征是： 包括以下步骤： S100、 拍摄获得需要进行叶病识别的菊花叶图像， 获取预先训练完成的菊花叶病识别 网络； 所述菊花叶病识别网络包括前置特征映射模块、 后置特征映射模块、 全空间平均池化 操作层、 全连接映射层和末端分类器， 所述前置特征映射模块设置在所述菊花叶病识别网 络的头部， 所述后置特征映射模块设置在所述菊花叶病识别网络的中部， 所述后置特征映 射模块包括抽象特征提制模块和层级池化操作层， 所述抽象特征提制模块与所述层级池化 操作层沿着网络的深度方向交替设置； 所述全空间平均池化操作层设置在所述后置特征映 射模块的下游端， 所述全空间平均池化操作层的输出端通过所述全连接映射层与所述末端 分类器的输入端连接； S200、 将所述菊花 叶图像输入所述前置特征映射模块， 利用所述前置特征映射模块提 取所述菊花叶 图像的低阶特 征， 然后输出 得到初级特 征图； S300、 将所述初级特征图输入所述后置特征映射模块， 利用所述抽象特征提制模块和 所述层级池化操作层交替对特征图进 行操作处理， 直到最后一个所述层级池化操作层输出 得到次级特 征图； S400、 所述次级特征图顺次经过所述全空间平均池化操作层、 所述全连接映射层和所 述末端分类器， 然后所述末端分类器输出得到所述菊花叶图像的分类结果， 从而完成对菊 花叶病的诊断； 所述抽象特 征提制模块内部按照如下 数学公式对特 征图进行操作处 理： U1＝ η1(T1S1 1(Vn)) U2＝ η2(T1S3 3(Vn)) U3＝T2S1 1(CAT(U1,U2) ) U4＝ η3(T3S51(U1) ) U5＝ η4(T3S52(U2) ) U6＝T4S1 1(CAT(U3,U4,U5) ) U7＝ η5(T5S3 3(U6)) 其中， Vn代表输入所述抽象特征提制模块的特征图， T1S11、 T1S33、 T2S11、 T3S51、 T3S52、 T4S11和T5S33均表示对接收到的特征图做卷积运算， 然后输出卷积运算后的结果； T1S11、 T2S11和T4S11做卷积运算时， 卷积核的大小均为1*1； T1S33和T5S33做卷积运算时， 卷积核 的大小均为3*3； T3S51和T3S52做卷积运算时， 卷积核的大小均为5*5； η1、 η2、 η3、 η4和 η5均 表示激活函数ReLU， CAT表示将特征图拼接起来， CHSZ表示综合一体注意力模块， 表示元 素对应乘积运 算， Vn+1表示所述抽象特 征提制模块输出的特 征图。 2.根据权利要求1所述的基于人工智能的菊花叶病 诊断方法， 其特征是： 所述综合一体 注意力模块内部按照如下 数学公式对特 征图进行操作处 理： ZT1＝CAT(ZDC(Vn),ZDC(U3),ZDC(U6),ZDC(U7) ) ZT2＝CAT(Vn,U3,U6,U7) ZT3＝ω1(ZD S(TCC11(ZT2)))权　利　要　求　书 1/2 页 2 CN 115187814 A 2其中， 特征图Vn、 特征图U3、 特征图U6和特征图U7同时作为所述综合一体注意力模块的 输入； ZDC表示在通道方向上对特征图做全局最大池化， ZDS表示在空间方向上对特征图做 全局最大池化， CAT表 示将特征图拼接起来； TCC11和TSS11均表 示对接收到的特征图做卷积 运算， 然后输出卷积运算后的结果； T CC11和TSS11做卷积运算时， 卷积核的大小均为1*1； 表示元素对应乘积运算， ω1和ω2均表示sigmoid激活函数， ZTM表示所述综合一体注意力 模块输出的综合调制图。 3.根据权利要求1所述的基于人工智能的菊花叶病 诊断方法， 其特征是： 所述层级池化 操作层的池化窗口尺寸 为2*2， 步长为2。 4.根据权利要求3所述的基于人工智能的菊花叶病 诊断方法， 其特征是： 所述层级池化 操作层对接收到的矩阵按照如下 数学公式进行池化： 其中， Fi表示输入所述层级池化操作层的矩阵， Fi的尺寸为2*2， MeE表示计算得到矩阵 中所有元素的平均值， MaE表示计算得到矩阵中所有 元素的最大值， Fo表 示所述层 级池化操 作层的输出。 5.一种基于人工智能的菊花叶病 诊断设备， 其特征是： 包括处理器和存储器， 所述存储 器储存有计算机程序， 所述处理器通过加载所述计算机程序， 用于执行如权利要求 1‑4任一 项所述的基于人工智能的菊花叶病诊断方法。权　利　要　求　书 2/2 页 3 CN 115187814 A 3