(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 202210230310.7 (22)申请日 2022.03.09 (71)申请人 台州学院 地址 318001 浙江省台州市椒江区市府大 道1139号 (72)发明人 付有瑶　郭林生　黄芳　方江雄　 柯洋洋　陈伟才　 (74)专利代理 机构 深圳叁众知识产权代理事务 所(普通合伙) 44434 专利代理师 赵学超 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进AlexNet的辣椒叶片病害检测方法 (57)摘要 本发明涉及基于改进AlexNet的辣椒叶片病 害检测方法， 通过建立病害数据集， 对病害数据 集进行数据增强， 然后将病害数据集的图像数据 进行病害类型分类并打好对应标签， 建立模型数 据集， 将模 型数据集的 图像数据按比例划分为训 练集、 验证集和测试集； 然后构建卷积神经网络 模型， 对卷积神经网络模型中的AlexNet模型进 行特征提取， 将第一层卷积层设置多尺度的卷积 核， 并且去除全 连接层同时将全 连接层替换为全 局平均池化层， 在每层卷积层中加入BN层， 然后 设置超参数， 使用训练集对AlexNet模型进行训 练。 根据本发明的基于改进AlexNet的辣椒叶片 病害检测方法， 可缩小模 型， 提高识别精度， 提高 检测速度。 权利要求书2页 说明书8页 附图5页 CN 114820435 A 2022.07.29 CN 114820435 A 1.基于改进AlexNet的辣椒叶片病害检测方法， 其特 征在于， 所述方法包括以下步骤： A、 通过拍摄叶片获得叶片图像； 建立病害数据集， 将所述叶片图像输入所述病害数据 集； B、 对所述病害数据集进行数据增强， 其数据增强的操作包含在TensorFlow下调用 OpenCV模块进 行样本扩充， 其中所述样 本扩充的方式包括随机角度旋转、 水平翻折、 垂 直翻 折和调整曝光度； C、 将所述病害数据集的图像数据进行病害类型分类并打好对应标签； 建立模型数据 集， 将已打好标签的图像数据输入 所述模型数据集； 将所述模型数据集的图像数据按4:1:1 的比例划分为训练集、 验证集和 测试集； D、 构建卷积神经网络模型， 对所述卷积神经网络模型中的AlexNet模型进行特征提取， 其特征提取的操作包含在所述AlexNet模型中将第一层卷积层设置多尺度的卷积核， 并且 去除所述AlexNet模型的全连接层同时将所述全连接层替换为全局平均池化层， 在所述 AlexNet模型的每层卷积层中加入BN层； E、 设置AlexNet模型训练的超参数， 使用所述训练集对已设计多尺度的AlexNet模型进 行训练； F、 保持已训练好的AlexNet模型， 并用保存好的AlexNet模型测试 所述测试集。 2.根据权利要求1所述的方法， 其中， 所述步骤A中， 所述叶片图像是以手掌为背景的叶 片图片。 3.根据权利要求1所述的方法， 其中， 所述步骤A中， 所述叶片为田间自然生长条件下的 辣椒叶片， 拍摄操作是在所述叶片的生长环境中进行拍摄。 4.根据权利要求1所述的方法， 其中， 所述 步骤D包括： SDA： 所述卷积核设置有6种尺度， 所述6种尺度分别为1 ×1、 3×3、 5×5、 7×7、 9×9和11 ×11； 所述6种尺度的卷积核个数均设置为16个； SDB： 去除所述AlexNet模型中的第 6层全连接层和第7层全连接层， 将第 6层全连接层和 第7层全连接层均替换为全局平均池化层； SDC： 所述AlexNet模型接入softmax分类 器。 5.根据权利要求1所述的方法， 其中， 所述步骤D中， 所述AlexNet模型的全局平均池化 设计包括以下步骤： SDD： 将所述AlexNet模型的卷积层每个特征图所有值进行平均池化， 得到一平均特征 值， 以使所述平均特征值的维度等于卷积层的特征图数目； 其中， 所述平均特征值的技术 公 式如下： 其中， y表示平均特征值； m ·n为所述卷积层的特征图尺寸； xij为所述卷积层的特征图 值。 6.根据权利要求1所述的方法， 其中， 所述步骤D中， 所述BN层设置于所述AlexNet模型 的卷积层和激活层之间， 以使所述AlexNet模型的每层输入都调整到均值为0和方差为1的 标准正太分布。权　利　要　求　书 1/2 页 2 CN 114820435 A 27.根据权利要求1所述的方法， 其中， 所述步骤E中， 所述超参数的设置包括： SDA： 输入图像分辨率为224 ×224， 将损失函数设置为交叉熵， 采用AdamOptimizer优化 更新所述超参数， 所述AlexNet模型迭代80个epoc h， 采用批量训练方法； 所述步骤D包括： SDB： 对已设计多尺度的AlexNet模型进行训练时， 每迭代一个epoch后， 测试一次所述 验证集的精度。 8.根据权利要求1所述的方法， 其中， 所述方法还 包括以下步骤： SG： 通过TensorFlow  lite转换器将AlexNet模型 的文件格式转换为t flite格式， 并通 过优化， 以减少AlexNet模型的文件大小和提高AlexNet模型的性能； SH： 将转为tflite格式的AlexNet模型文件部署到移动设备， 以开发叶片病害识别AP P。 9.根据权利要求1所述的方法， 其中， 所述 步骤D包括： 步骤SDA： 将AlexNet模型保存为SavedModel格式； 步骤SDB： 将所述测试集的图像数据存入已保存的AlexNet模型， 然后进行推理运算， 以 得到预测病害类型和预测标签； 步骤SDC： 将预测标签与真实标签对比计， 以计算出 所述AlexNet模型的准确率。 10.一种计算机可读存储介质， 其上储存有程序指令， 所述程序指令被处理器执行时实 施如权利要求1至9中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114820435 A 3