[发明专利]一种基于卷积网络的葡萄病斑检测方法

权利要求书

1.一种基于卷积网络的葡萄病斑检测方法，其特征在于，包括如下步骤：

1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi；

2)将数据集Ri随机划分为Ti训练集和Vi测试集两部分；

3)构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；

4)将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；

5)将测试集数据输入到训练好的卷积神经网络中，得到测试集准确率。

2.根据权利要求1所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述Ri图片大小为H*W*3，H与W分别为图片的长宽，3为图片通道；Mi图片大小为H*W*1。

3.根据权利要求2所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述训练集和测试集分别占数据集Ri总数的90％和10％。

4.根据权利要求1所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述特征提取器中两个卷积层的卷积核大小为3*3，步长为1，Padding为1。

5.根据权利要求4所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述自注意力网络包括六层：

第一层为特征输入层F1；第二层为最大池化层和平均池化层；第三层为卷积层；第四层为基于H和W的最大池化和平均池化层；第五层为两层的全连接层，激活函数为Rule；第六层为输出层。

6.根据权利要求5所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述步骤4)中，将Mi的图片通过归一化压缩，得到的图片为A，取输出层的每个通道数的平均值将其压缩为H*W*1大小，其输出为B，则Dice损失函数可以表达为

7.根据权利要求6所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述步骤5)中，测试集的平均像素准确率MAP达到0.9时即完成训练。