(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 202211277623.4 (22)申请日 2022.10.19 (71)申请人 云南省农业科 学院热带亚热带经济 作物研究所 地址 678000 云南省保山市隆阳区兰 城路 518号 (72)发明人 王自然　杨建东　毛加梅　郭俊　 王绍华　岳建强　杨帆　李晶　 郭莉娜　 (74)专利代理 机构 宁波海曙甬睿专利代理事务 所(普通合伙) 33330 专利代理师 雒文博 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01)G06V 10/25(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种柑橘斑点状病虫害细粒度图像识别方 法 (57)摘要 本发明公开了一种柑橘斑点状病虫害细粒 度图像识别方法， 涉及病虫害图像识别技术领 域。 一种柑橘斑点状病虫害细粒度图像识别方 法， 包括以下步骤： 步骤一： 收集柑橘斑点状病虫 害图片并进行预处理， 以适于模型训练， 将通过 进行预处理柑橘斑点状病虫害图片按照一定比 例划分为训练集、 验证集和测试集。 本发明针对 斑点状病虫害特征过于分散的特点， 利用RA ‑CNN 神经网络对细粒度识别的模型进行模 型验证， 得 到图像分类模型， 然后对图像进行识别， 该种方 法避免了因受个人主观因素的影响而存在识别 效率低、 识别错误率高等一系列问题， 提升不同 斑点状病虫害类别特征之间的可区分性， 相对于 传统的机 器学习提高了自身的深度学习能力。 权利要求书1页 说明书4页 附图1页 CN 115546645 A 2022.12.30 CN 115546645 A 1.一种柑橘斑点状病虫害细粒度图像识别方法， 其特 征在于， 包括以下步骤： 步骤一： 收集柑橘斑点状病虫害图片并进行预处理， 以适于模型训练， 将通过进行预处 理柑橘斑点状病虫害图片按照一定比例划分为训练集、 验证集和 测试集； 步骤二： 将训练集通过定位－识别的方法将细粒度图像识别为两个部分： 区别性区域 定位和区域中的细粒度特 征， 细粒度特 征通过端到端的细粒度识别； 步骤三： 以数据预处理后获得的数据集中的训练集作为模型的输入、 数据集中柑橘斑 点状病虫害图片对应的病害识别结果作为输出作为模型的输出对RA ‑CNN神经网络进行训 练， 从而得到最终训练好的RA ‑CNN神经网络， 即获得用于多种柑橘 斑点状病虫害进行细粒 度识别的模型； 步骤四： 将步骤一中的验证集输入到步骤三训练得到的细粒度识别的模型进行模型验 证， 当验证集的均方差损失函数不再下降时将该中间图像分类模型作为最佳的图像分类模 型， 得到图像分类模型的编码器及嵌入层参数； 步骤五： 将步骤一中的测试集输入至图像分类模型进行推理， 得到病虫害分类结果。 2.根据权利要求1所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 所 述步骤一中， 训练集、 验证集和 测试集的比例8 :1:1。 3.根据权利要求1所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 步 骤二中所述区别性区域定位， 以弱监督的方式利用深度神经网络的卷积特征响应， 弱监督 通过FCN注意力模型进行目标定位。 4.根据权利要求1所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 步 骤二中所述区域中的细粒度特征， 从定位到的各个区域中分别抽取特征， 并将各特征组合 到一起最后进行分类。 5.根据权利要求1所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 步 骤三中， 所述 RA‑CNN神经网络是用互相强化的方式对判别区域注 意力和基于区域的特征表 征进行递归学习， 网络结构设计上主 要包括： 三个scale子网络、 分类网络和APN网络 。 6.根据权利要求5所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 所 述网络结构设计的数据流程为： 输入图像通过分类网络提取特征并进 行分类， 然后APN网络 基于提取到的特征进行训练得到注意区域信息， 再将注意区域标注出来并放大， 再作为第 二个scale网络的输入， 这样重复进行3次就能得到 3个scale网络的输出 结果。 7.根据权利要求1所述的一种柑橘斑点状病虫害细粒度图像识别方法， 其特征在于， 所 述步骤二中， 端到端的细粒度识别包括定位 －分类子网络和端到端特 征编码。权　利　要　求　书 1/1 页 2 CN 115546645 A 2一种柑橘斑点状病虫害细粒度图像识别方 法 技术领域 [0001]本发明涉及病虫害图像识别技术领域， 具体为一种柑橘斑点状病虫害细粒度图像 识别方法。 背景技术 [0002]柑橘病虫害防治是柑橘种植中的一个非常重要的环节， 病虫害发病初期尤为关 键， 若发现不及时， 可能会对果树长势、 果实质量等造成重大影响。 很多病虫害在发病初期 表现出的症状不明显， 容易造成误判， 如一些斑点状病虫害： 溃疡病、 脂点黄斑病、 黑斑病、 芽枝霉斑病、 棒孢霉褐斑病、 树脂病等， 特征分散， 症状相近， 均呈斑点状随机 分布在叶片或 果实上， 这些相似病害通常只在斑点 边缘处有细微差异。 [0003]传统的柑橘斑点状病虫害识别大多采取人工的方式， 主要由农民自己在田间对农 作物病害进 行诊断、 识别， 这很依赖于农民自身对农作物病害的经验， 而且还存在个人主观 因素强、 识别效率低、 识别错误率高等问题。 近几年， 机器学习和深度学习 逐步应用在了农 作物病害识别中， 并且取得了不错的效果。 机器学习方法中， 数据的特征需要由相关领域专 家识别并处理之后， 再送入到模型中去学习； 而深度学习模型会自己从数据集中提取分类 所需的特征信息。 传统的机器学习提取到的特征信息相比于深度学习非常有限， 所以采用 深度学习技 术对农作物病害 进行识别已经成为当下研究的热点问题之一。 [0004]但是， 通过对现有的农作物病害识别方法的分析， 发现现有的方法在农作物种类 和神经网络上还存在一定的局限性， 难以在实际的农业生产生活中起到指导作用， 其具体 表现为： 1.传统的人工识别方式过于依赖人对农作物病害的经验， 且极易受到个人主观因 素的影响， 存在识别效率低、 识别错误率高等一系列问题。 2.在机器学习上， 数据中的特征 需要由相关领域专家识别并处理之后， 再送入到模型中去学习； 而深度学习模型会自己从 数据集中提取分类所需的特征信息。 所以传统的机器学习提取到的特征信息相比于深度学 习非常有限。 发明内容 [0005]本发明的目的在于提供一种柑橘斑点状病虫害细粒度图像识别方法， 以解决上述 背景技术中提出的问题。 [0006]为实现上述目的， 本发明提供如下技术方案： 一种柑橘斑点状病虫害细粒度图像 识别方法， 包括以下步骤： [0007]步骤一： 收集柑橘斑点状病虫害图片并进行预处理， 以适于模型训练， 将通过进行 预处理柑橘斑点状病虫害图片按照一定比例划分为训练集、 验证集和 测试集； [0008]步骤二： 将训练集通过定位－识别的方法将细粒度图像识别为两个部分： 区别性 区域定位和区域中的细粒度特 征， 细粒度特 征通过端到端的细粒度识别； [0009]步骤三： 以数据预处理后获得的数据集中的训练集作为模型的输入、 数据集中柑 橘斑点状病虫害图片对应的病害识别 结果作为输出作为模型的输出对RA ‑CNN神经网络进说　明　书 1/4 页 3 CN 115546645 A 3