(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 202210868307.8 (22)申请日 2022.07.22 (71)申请人 安徽大学 地址 230039 安徽省合肥市肥西路3号 (72)发明人 鲍文霞　朱自强　胡根生　王年　 汪振宇　 (74)专利代理 机构 苏州领跃知识产权代理有限 公司 32370 专利代理师 王宁 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) G06V 10/25(2022.01)G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 茶叶病害的检测方法及相关装置 (57)摘要 本申请提供了茶叶病害的检测方法及相关 装置， 用于对茶叶进行检测， 所述方法包括： 将待 测茶叶图像输入至茶叶病害检测模 型， 以得到待 测茶叶图像的病害检测结果。 其中， 用于训练茶 叶病害检测模型的深度学习模型包括BackBone 单元、 Neck单元和Head单元， B ackBone单元添加 有RFB模块， Neck单元添加有二维混合注意力模 块， 该二维混合注意力模块分为上下两个并行分 支， 它是由上分支的通道注意力子模块、 空间注 意力子模块和下分支的坐标注意力子模块混合 而成。 另外， 采用无人机拍摄得到的遥感数据进 行超分辨率重建， 制作得到训练集。 在茶叶病害 检测模型中使用了平均精度更高、 检测速度更快 的单元和模块， 定位到需要注意的茶叶病害位 置， 解决传统检测方法耗时耗力和漏检误检的问 题。 权利要求书2页 说明书21页 附图3页 CN 115294467 A 2022.11.04 CN 115294467 A 1.一种茶叶病害的检测方法， 其特 征在于， 用于对茶叶进行检测， 所述方法包括： 将待测茶叶图像输入至茶叶病害检测模型， 以得到所述待测茶叶图像的病害检测结 果， 所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应的至少一个叶片是 否患有目标病害； 其中， 所述茶叶病害检测模型的训练过程包括： 获取训练集， 所述训练集包括多个训练数据， 每个所述训练数据包括一个样本茶叶图 像以及所述样本茶叶图像的病害检测结果的标注数据， 所述样本茶叶图像的病害检测结果 用于指示所述样本茶叶 图像对应的至少一个叶片是否患有所述目标病害； 针对所述训练集中的每 个训练数据， 执 行以下处 理： 将所述训练数据中的样本茶叶图像输入预设的深度 学习模型， 以得到所述样本茶叶图 像的病害检测结果的预测数据； 基于所述样本茶叶图像的病 害检测结果的预测数据和标注数据， 对所述深度 学习模型 的模型参数进行 更新； 检测是否满足预设的训练结束条件； 如果是， 则将训练出的所述深度学习模型作为所 述茶叶病害检测模型； 如果否， 则 利用下一个所述训练数据继续训练所述深度学习模型。 2.根据权利要求1所述的茶叶病害的检测方法， 其特 征在于， 所述获取训练集， 包括： 对所述样本茶叶图像执行数据增强处理， 以获取所述样本茶叶图像对应的至少一个增 强图像； 利用所述样本茶叶 图像及其增强图像制作得到所述训练集。 3.根据权利要求2所述的茶叶病 害的检测方法， 其特征在于， 获取所述样本茶叶图像的 过程包括： 利用装载于无人机的遥感设备对茶叶种植 区的茶树进行图像采集， 以得到多个所述样 本茶叶图像。 4.根据权利要求2所述的茶叶病 害的检测方法， 其特征在于， 所述对所述样本茶叶图像 执行数据增强处 理， 包括： 基于预设尺寸对所述样本茶叶 图像进行裁 剪， 以获取规格图像； 利用超分辨 率网络对所述 规格图像进行超分辨 率重建， 以获取超分辨 率图像； 对所述超分辨 率图像进行 数据增强， 以得到 至少一个所述增强图像。 5.根据权利要求1所述的茶叶病害的检测方法， 其特征在于， 所述深度学习模型包括 BackBone单元、 Neck单元和Head单元， 所述BackBone单元添加有RFB模块， 所述Neck单元添 加有注意力模块； 所述将所述训练数据中的样本茶叶图像输入预设的深度 学习模型， 以得到所述样本茶 叶图像的病害检测结果的预测数据， 包括： 利用所述BackBone单元对所述样本茶叶图像进行特征提取以获取特征信息， 所述特征 信息包括： 所述样本茶叶图像所对应的低层空间特征和高层语义特征； 其中， 所述RFB模块 用于部分低层空间特 征和部分高层语义特 征的提取 过程； 利用所述BackBone单元向所述目标检测网络的Neck单元输入所述低层空间特征和所 述高层语义特 征； 利用所述Neck单元对所述低层空间特征和所述高层语义特征进行特征融合， 以得到特权　利　要　求　书 1/2 页 2 CN 115294467 A 2征融合结果； 利用所述注意力模块获取 所述特征融合结果对应的多个特 征图； 针对每个所述特征图， 利用所述Head单元生成对应的检测框， 以获取所述样本茶叶图 像的病害检测结果的预测数据。 6.根据权利要求5所述的茶叶病 害的检测方法， 其特征在于， 所述标注数据用于指示所 述样本茶叶图像中病斑叶片的位置信息、 样本 茶叶图像对应的病害类型以及所述茶叶图像 对应的置信度； 所述基于所述样本茶叶图像的病 害检测结果的预测数据和标注数据， 对所述深度 学习 模型的模型参数进行 更新， 包括： 基于所述样本茶叶图像的病 害检测结果的预测数据和标注数据， 获取所述样本茶叶图 像对应的损失值； 利用所述损失值， 利用随机梯度下降方式获取多个所述特 征图的特 征权重信息； 基于多个所述特 征图的特 征权重信息， 对所述深度学习模型的模型参数进行 更新。 7.根据权利要求5所述的茶叶病 害的检测方法， 其特征在于， 所述注意力模块是二维混 合注意力模块； 所述二维混合注意力模块分为上下两个并行分支， 上分支包括通道注意力 子模块和空 间注意力子模块， 下分支包括 坐标注意力子模块。 8.一种茶叶病害的检测装置， 其特 征在于， 用于对茶叶进行检测， 所述装置包括： 病害检测模块， 用于将待测茶叶图像输入至茶叶病害检测模型， 以得到所述待测茶叶 图像的病害检测结果， 所述待测茶叶图像的病害检测结果用于指示所述待测茶叶图像对应 的至少一个叶片是否患有目标病害； 其中， 所述茶叶病害检测模型的训练过程包括： 获取训练集， 所述训练集包括多个训练数据， 每个所述训练数据包括一个样本茶叶图 像以及所述样本茶叶图像的病害检测结果的标注数据， 所述样本茶叶图像的病害检测结果 用于指示所述样本茶叶 图像对应的至少一个叶片是否患有所述目标病害； 针对所述训练集中的每 个训练数据， 执 行以下处 理： 将所述训练数据中的样本茶叶图像输入预设的深度 学习模型， 以得到所述样本茶叶图 像的病害检测结果的预测数据； 基于所述样本茶叶图像的病 害检测结果的预测数据和标注数据， 对所述深度 学习模型 的模型参数进行 更新； 检测是否满足预设的训练结束条件； 如果是， 则将训练出的所述深度学习模型作为所 述茶叶病害检测模型； 如果否， 则 利用下一个所述训练数据继续训练所述深度学习模型。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器和处理器， 所述存储器存储有 计算机程序， 所述处 理器执行所述计算机程序时实现权利要求1 ‑7任一项所述方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现权利要求1 ‑7任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115294467 A 3