买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利一种基于提示学习的农作物病害识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119904747B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411963203.0，技术领域涉及：G06V20/10；该发明授权一种基于提示学习的农作物病害识别方法是由赵晋陵;陈浩;李海东;阮超;黄林生;黄文江;梁栋设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本一种基于提示学习的农作物病害识别方法在说明书摘要公布了：本发明涉及一种基于提示学习的农作物病害识别方法，包括：获取农作物病害图像数据集；构建提示学习模型；将训练集输入提示学习模型进行训练；采用动态校准策略进行动态校准；校准后的提示向量通过动量缓冲机制进行更新，替换调整后的提示向量，得到更新后的提示学习模型；将待识别的农作物病害图像输入更新后的提示学习模型，得到识别结果。本发明首次将提示学习引入农作物病害识别任务，有效融合不同层次的特征信息，显著提升模型对基类的识别精度和新类的泛化性能；动态校准策略提升模型的域泛化能力，无需额外训练数据，利用CLIP模型中的跨模态知识在测试时对结果直接调优，有效解决传统熵最小化方法存在的特征偏移和性能衰减问题。

本发明授权一种基于提示学习的农作物病害识别方法在权利要求书中公布了：1.一种基于提示学习的农作物病害识别方法，其特征在于：该方法包括下列顺序的步骤： （1）获取农作物病害图像数据并组成农作物病害图像数据集，将农作物病害图像数据集划分为训练集、验证集和测试集； （2）构建提示学习模型：在CLIP模型基础上加入渐进式特征混合模块和可学习的上下文向量，得到提示学习模型，通过提示学习模型得到提示向量；所述CLIP模型包括用于提取病害图像的特征信息的图像编码器，以及用于处理病害类别文本描述的文本编码器； （3）将训练集输入提示学习模型进行训练：渐进式特征混合模块对提取的病害的多层级特征信息进行混合，得到混合后的特征，使用混合后的特征调整提示向量，得到调整后的提示向量； （4）采用动态校准策略进行动态校准：将测试集、调整后的提示向量输入预训练后的CLIP模型，得到校准后的提示向量和测试结果； （5）校准后的提示向量通过动量缓冲机制进行更新，得到更新后的提示向量，用更新后的提示向量替换步骤（3）中调整后的提示向量，得到更新后的提示学习模型； （6）将待识别的农作物病害图像输入更新后的提示学习模型，得到识别结果； 在步骤（3）中，所述渐进式特征混合模块对提取的病害的多层级特征信息进行混合具体是指：渐进式特征混合模块选择图像编码器主干网络的浅层特征、中层特征和深层特征进行特征混合，其中，浅层特征选择图像编码器主干网络的第4层卷积层的输出，用于提取农作物病害的基础视觉特征；中层特征选择图像编码器主干网络的第8层卷积层的输出，用于提取病害的中层结构特征；深层特征选择图像编码器主干网络第11层卷积层的输出，用于提取病害的高层语义特征；每一层的特征混合均遵循以下步骤： 对每一层的混合系数从Beta分布中采样： ; 其中，表示第l层Beta分布的参数，Beta代表Beta分布；是常数，浅层特征、中层特征、深层特征的一一对应为常数0.4、0.2、0.1，较大的值使得浅层特征混合更加均衡，较小的值使得深层特征混合更加聚焦；在每一层将前一层传递的混合特征与当前层新选择的样本特征进行混合： ; 其中，是从前一层传递来的混合特征，是当前层新选择的样本特征；是混合后的特征；混合后的特征将继续向更深层传播； 对于混合后特征的标签，继承于当前层样本的标签，混合后特征的损失函数计算公式为： ; 其中，表示交叉熵损失函数； 在步骤（3）中，使用混合后的特征调整提示向量，得到调整后的提示向量具体是指：首先，通过提示向量、图像编码器得到的图像特征计算余弦相似度，即计算该图像属于各个类别的概率： ; 其中，表示图像属于类别的概率，表示余弦相似度，和分别表示提示学习模型的文本编码器提取的文本特征和图像编码器提取的图像特征，是用于调节概率分布平滑程度的温度参数，K为病害类别总数； 然后，通过预测的属于各个类别的概率与该图像真正属于的类别计算损失函数，使用损失函数计算梯度，反向传播梯度调整提示向量；损失函数的计算公式为： ; 随后通过文本编码器反向传播梯度调整提示向量，提升提示学习模型的识别精度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230039 安徽省合肥市肥西路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。