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！

龙图腾网获悉河南农业大学申请的专利一种用于智能终端复杂背景下的轻量化小麦病害图像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：CN119314044B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411355090.6，技术领域涉及：G06V20/10；该发明授权一种用于智能终端复杂背景下的轻量化小麦病害图像识别方法是由郭伟;公政;冯思凡;董萍;时雷;乔红波;岳继博;张慧设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本一种用于智能终端复杂背景下的轻量化小麦病害图像识别方法在说明书摘要公布了：本发明涉及一种用于智能终端复杂背景下的轻量化小麦病害图像识别方法，与现有技术相比解决了难以实现复杂背景下小麦病害图像识别轻量化设计的缺陷。本发明包括以下步骤：获取小麦病害图像数据集；构建轻量化小麦病害识别模型；轻量化小麦病害识别模型的训练；待识别小麦病害图像的获取；小麦病害图像的识别。本发明能够在移动设备上灵活部署的同时实现高精确的病害程度识别，对模型结构进行了压缩，使用LeakyReLU和AdamW优化器对模型进行优化，提高了模型的响应速度，同时采用知识蒸馏方式学习高复杂度模型的特征提取结果，提高模型的准确率，最终实现了在移动设备上高效准确的识别小麦病害程度。

本发明授权一种用于智能终端复杂背景下的轻量化小麦病害图像识别方法在权利要求书中公布了：1.一种用于智能终端复杂背景下的轻量化小麦病害图像识别方法，其特征在于，包括以下步骤： 11获取小麦病害图像数据集：获取智能终端拍摄的不同时间、天气、环境以及生长阶段的小麦图像，其包括健康的小麦以及人工接种病害的小麦图像，形成小麦赤霉病病害图像集，并进行扩展、增强预处理操作； 12构建轻量化小麦病害识别模型：利用ResNeSt50模型作为教师模型，以改进的RepGhostNet作为学生模型，构建轻量化小麦病害识别模型； 构建轻量化小麦病害识别模型包括以下步骤： 121设定轻量化小麦病害识别模型包括教师模型、学生模型，其中教师模型采用ResNeSt50模型，学生模型采用RepGhostNet为框架；在教师模型和学生模型的特征提取层的结尾添加一个特征图的输出，分别输出RepGhostNet和ResNeSt50的特征图，其中ResNeSt50的输出作为蒸馏过程中学生模型学习的参考，RepGhostNet的输出用于生成教师模型的特征图，计算蒸馏损失； 122设定教师模型； 教师模型用于指导学生模型的训练，ResNeSt50采用ResNeStBlock结构堆叠构成，将输入的特征图分为K个主分组，然后将每个主分组分为R个次分组，对次分组进行卷积处理后汇入Split-AttentionBlock计算单元加权运算，最后通过Concatenate进行拼接，将所有的主分组汇合起来； 23设定学生模型； 设定RepGhostNet由多个RepGhostBottleneck构成，共分为5个stage，密集卷积层用16个通道来处理输入数据，用一个正常的1×1卷积和平均池化的堆栈来预测最终的输出； RepGhostBottleneck分为5组，除最后一个Bottleneck外，每组的最后一个Bottleneck设置stride＝2， 将RepGhosNet的stage2部分的第一层去除RepGhost-Bottleneck模块，在RepGhosNet的stage4部分将第二层和第三层的RepGhost-Bottleneck模块去除； 采用LeakyReLU函数作为激活函数fx，其表达式如下： 其中，x为输入的特征数据，α为正数； 13轻量化小麦病害识别模型的训练：基于预处理后的小麦病害图像集，采用知识蒸馏策略对轻量化小麦病害识别模型进行训练； 所述轻量化小麦病害识别模型的训练包括以下步骤： 131设定优化器： 采用AdamW作为轻量化小麦病害识别模型的优化器，结合余弦退火算法用于调节学习率和类平衡损失策略，以平衡不同病害程度图像数量不均匀造成的影响，采用余弦退火算法计算训练过程的损失值对模型进行优化； 设定AdamW通过β和β两个动量参数加速梯度下降，在权重衰减的处理方面，AdamW添加一个额外的L2正则，将权重衰减与梯度更新分开处理，使权重衰减仅用于权重参数，而不直接用于梯度更新，以避免偏置参数的影响，具体计算方式如下： ＝βt-1+1-βg 其中，t是训练步数，β和β为手动调整的动量参数，g表示梯度，m和v分别为一阶和二阶的动量估计，和表示两个动量偏差修正的结果，θ表示参数，γ为学习率，λ是权重衰减系数，∈为一个常量用于避免分母为0； 132进行教师模型的训练： 教师模型训练过程中将预处理后的病害图像大小调整为244×244×3，初始学习率设置为0.001，动量为0.937，权重衰减为0.0005；训练过程共进行100个迭代周期，在训练过程中启用预热阶段，预热最低学习率为1×10-6，预热率为5％，具体训练过程如下： 输入层读取图像数据，将图像数据转换为特征数组结构进行初始化，然后将数据提交到特征提取层； 特征提取层通过对特征数据进行大量卷积运算提取高维的病害特征，该层由多个ResNeStBlock堆叠构成，特征图像输入ResNeStBlock后，首先进行特征分组，先将输入的特征图像分为K个主分组，而后每个主分组再拆分为R个次分组；其次对于每个次分组通过由多个卷积操作组成的运算单元进行特征提取获取高维特征；然后先通过SplitAttention模块对R个特征次分组进行加权运算将特征数据进行汇总，再采用Concatenate操作对K个主分组进行汇总；最后采用SE注意力模块对特征数据每个特征通道进行加权运算得到输出特征图T； 输出层通过简单的卷积运算对得到的高维病害特征图像进行下采样操作，获取分类结果，并通过分类结果计算分类损失L； 最后通过分类损失L对ResNeSt50模型进行更新，然后进行下一批次的训练，得到能够高准确识别小麦病害程度的教师模型； 133进行学生模型的训练： 采用预测模式启用训练好的教师模型，对输入的预处理后的小麦病害图像进行特征提取，并输出特征提取层得到的特征图T，作为蒸馏过程的目标图像； 采用训练模式启用学生模型，对输入的图像进行处理，并输出特征提取层得到的特征图S和学生模型的病害严重度分类结果； 根据学生模型的分类结果计算模型的分类损失Loriginal； 根据教师模型和学生模型的特征图T和S，得到掩蔽生成蒸馏的蒸馏损失Ldis； 根据掩蔽生成蒸馏的蒸馏损失Ldis和分类损失Loriginal，进行特征蒸馏计算模型训练的总损失Lall； 134特征蒸馏过程： 1341分别用Tl∈RC×H×W和Sl∈RC×H×W表示教师和学生的第l张小麦病害特征图，其中，l＝1,..,L， 设置第l个随机掩码来覆盖学生的第l个特征，其表示为： 生成学生小麦病害特征图掩码 其中，l表示第l张小麦病害特征图，i、j分别表示教师特征图每个特征通道的长宽，Ri,j为0到1之间服从均匀分布的随机数，λ′是表示掩码比的超参数，C、H、W表示特征图的形状； 1342使用第l个小麦病害特征图掩码来覆盖第l个学生的小麦病害特征图，并用左侧像素生成教师的小麦病害特征图： 通过学生特征图生成教师模型特征图，使用学生模型提取到的病害特征，生成教师模型的结果； 具体包括：采用一个1×1卷积的适配层falign使学生特征S适配教师特征T的特征维度；采用点成方式对适配后的学生特征进行掩蔽得到F；通过卷积结构包括两个卷积层Wl1、Wl2和一个激活层ReLU的投影层，生成教师特征图； 1343掩蔽生成蒸馏方法整体的蒸馏损失计算如下： 采用逐点相减的方式计算蒸馏损失Ldis，其中L表示用于蒸馏的特征图像总数，C、H、W表示特征图的形状，S和T分别表示学生和教师的特征，表示投影层，Ldis表示训练的蒸馏损失，为学生小麦病害特征图掩码； 总损失计算如下： Lall＝Loriginal+α′·Ldis 通过加权运算计算训练过程的总损失Lall，其中Loriginal是模型在所有任务中的原始损失，α′为平衡损失值的超参数； 然后利用总损失Lall来更新学生模型RepGhostNet，使用更新后的模型进行实验训练，并得到小麦病害图像中小麦的病害严重度； 14待识别小麦病害图像的获取：获取待识别小麦病害图像并进行预处理； 15小麦病害图像的识别：将预处理后的待识别小麦病害图像输入训练后的轻量化小麦病害检测模型，获得小麦病害图像识别结果。

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河南农业大学，其通讯地址为：450046 河南省郑州市郑东新区平安大道218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”。

以上内容由龙图腾AI智能生成。