(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211182670.0 (22)申请日 2022.09.27 (65)同一申请的已公布的文献号 申请公布号 CN 115294555 A (43)申请公布日 2022.11.04 (73)专利权人 江苏景瑞农业科技发展 有限公司 地址 226000 江苏省南 通市通州区东社镇 新街村 (72)发明人 郭宽　曹冬梅　杜朗　 (74)专利代理 机构 武汉华强专利代理事务所 (普通合伙) 42237 专利代理师 康晨 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/56(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 顾明海 (54)发明名称 基于神经网络的植物病害智能诊断方法及 系统 (57)摘要 本发明涉及基于神经网络的植物病害智能 诊断方法及系统， 其获取植物叶片图像， 所述植 物叶片图像包括待识别的植物 叶片图像和健康 叶片图像； 构建对抗神经网络， 利用所述健康叶 片图像对所述对抗神经网络进行训练， 得到训练 好的对抗神经网络； 将所述待识别的植物叶片图 像输入训练好的对抗神经网络， 得到重构色彩图 像； 将重构色彩图像与所述待识别的植物叶片图 像进行色差计算， 得到重构色差图像； 将重构色 差图像输入构建的卷积神经网络， 输出分类结 果； 根据所述分类结果， 获取植物病害诊断结果。 即本发明的方案能够通过 获取重构色差图像， 利 用该重构色差图像进行植物病害诊断， 可以在像 素级上可视化病害区域， 降低计算 量。 权利要求书1页 说明书6页 附图2页 CN 115294555 B 2022.12.20 CN 115294555 B 1.基于神经网络的植物病害智能诊断方法， 其特 征在于， 包括如下步骤： 获取植物叶片图像， 对所述植物叶片图像进行背景去 除处理， 所述植物叶片图像包括 待识别的植物叶片图像和健康叶片图像； 构建对抗神经网络， 利用所述健康叶片图像对所述对抗神经网络进行训练， 得到训练 好的对抗神经网络； 所述对抗神经网络包括 生成器和鉴别器； 其中生成器的损失函数为： 其中， LSSIM为SSIM损失函数； LCo lor 颜色损失函数； 其中n表示图像的像素数量， wi表示第i个像素的权重， Pi为重构 色彩图像中的第i个像 素的R、 G、 B颜色空间的灰度值， Ti为待识别的植物叶片图像第i个像素的R、 G、 B颜色空间的 灰度值； 权重wi的获取方法为： 其中， Pixel为去除背景的健康叶片图像中的任一像素值， C1为叶片主颜色的R、 G、 B三 个通道的值对应的坐标点， a取值范围为(0,1)， b取值3； 将所述待识别的植物叶片图像输入训练好的对抗神经网络， 得到 重构色彩图像； 将重构色彩图像与所述待识别的植物叶片图像进行色差计算， 得到 重构色差图像； 所述重构色差图像为： 其中， P_RGB为重构色彩图像， T_RGB为待识别的植物叶片图像， 为色差 评价函数； 将重构色差 图像输入构建的卷积神经网络， 输出分类结果； 所述卷积神经网络包括特 征提取编码器和全连接网络； 所述特 征提取编码器包括若干个卷积层和注意力模型； 所述注意力模型为： 其中DiffC为重构色差图像的像素的色差值； Cmax为重构色差图像中的最大色差值； 根据所述分类结果， 获取植物病害 诊断结果。 2.基于神经网络的植物病 害智能诊断系统， 包括处理器和存储器， 其特征在于， 所述处 理器用于执行所述存储器存储的用于实现如权利要求 1中所述的基于神经网络的植物病害 智能诊断方法的指令 。权　利　要　求　书 1/1 页 2 CN 115294555 B 2基于神经 网络的植物病害智能诊断方 法及系统 技术领域 [0001]本发明涉及智慧农 业检测技术领域， 具体涉及基于神经网络的植物病害智能诊断 方法及系统。 背景技术 [0002]植物在我国的各大自然灾害中， 农作物病虫害占据着非常重要的地位， 因此， 需要 及时对其进行 预测和监控， 以防止 重大灾害的发生。 [0003]传统的机器学习方法， 通常经过病斑提取、 边缘特征提取等步骤， 最后利用支持向 量机分类。 然而， 传统机器学习方法对图像的预 处理步骤繁多且复杂， 并且只能应用于个别 植物的少量病虫害检测， 可迁移性差， 准确度低。 发明内容 [0004]本发明的目的是提供了基于神经网络的植物病害智能诊断方法及系统， 用于解决 现有的检测技 术存在通用性差， 识别方法复杂， 且不同植物之间识别率 不稳定的问题。 [0005]为了实现上述目的， 本发明提供的基于神经网络的植物病害智能诊断方法的技术 方案， 包括如下步骤： [0006]获取植物叶片图像， 所述植物叶片图像包括待识别的植物叶片图像和健康叶片图 像； [0007]构建对抗神经网络， 利用所述健康叶片图像对所述对抗神经网络进行训练， 得到 训练好的对抗神经网络； 将所述待识别的植物叶片图像输入训练好的对抗神经网络， 得到 重构色彩图像； 将重构色彩图像与所述待识别的植物叶片图像进行色差计算， 得到重构色 差图像； [0008]将重构色差图像输入构建的卷积神经网络， 输出分类结果； 根据所述分类结果， 获 取植物病害 诊断结果。 [0009]进一步地， 还包括对所述 植物叶片图像进行背景去除处 理的步骤。 [0010]进一步地， 所述对抗神经网络包括两个神经网络， 一个为 生成器， 一个为 鉴别器； [0011]其中生成器的损失函数为： [0012] [0013]其中，LSSIM为SSIM损失函数； LColor 颜色损失函数； [0014] ， [0015]其中n表示图像的像素数量， wi表示第i个像素的权重， Pi为重构色彩图像中的第 i 个像素的R、 G、 B颜色空间的灰度值， Ti为待识别的植物叶片图像第 i个像素的R、 G、 B颜色空 间的灰度值。 [0016]进一步地， 权重wi的获取方法为：说　明　书 1/6 页 3 CN 115294555 B 3