(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211146701.7 (22)申请日 2022.09.21 (65)同一申请的已公布的文献号 申请公布号 CN 115239708 A (43)申请公布日 2022.10.25 (73)专利权人 广东机电职业 技术学院 地址 510515 广东省广州市同和蟾蜍 石东 路2号 (72)发明人 赵汝准　黄英健　谭伟潮　夏晶晶　 王飞仁　陈健林　朱裕昌　蔡沛录　 (74)专利代理 机构 广州海心联合专利代理事务 所(普通合伙) 44295 专利代理师 马赟斋 (51)Int.Cl. G06F 30/27(2020.01)G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) (56)对比文件 CN 114359656 A,2022.04.15 CN 114201920 A,202 2.03.18 许岩.基于云制造平台的智能装备故障诊断 方法与租赁定价模型研究. 《中国博士学位 论文 全文数据库信息科技 辑(月刊)》 .2021,(第01 期), 审查员 王俊杰 (54)发明名称 植物叶片疾病检测模型训练方法和植物叶 片疾病检测方法 (57)摘要 本申请涉及一种植物叶片疾病检测模型训 练方法和植物叶片疾病检测方法。 所述方法包 括： 获取关于植物叶片的源域数据集与目标域数 据集； 将源域数据集采用对比学习方法进行训 练， 得到编码器的模型参数和每张图像的源域特 征表示； 将目标域数据集输入确定了模型参数的 编码器， 再输入域自适应层， 最后输入分类器， 得 到分类结果； 根据分类结果调整域自适应层的参 数和分类器的参数； 在达到预定训练条件时， 保 存最终的域自适应层的参数和分类器的参数； 根 据最终的编码器的模型参数、 域自适应层的参数 和分类器的参数确定最终的植物 叶片疾病检测 模型。 采用本方法能够提高植物叶片疾病监测的 准确性。 权利要求书3页 说明书10页 附图4页 CN 115239708 B 2022.12.30 CN 115239708 B 1.一种植物叶片疾病检测模型训练方法， 其特 征在于， 所述方法包括： 获取关于植物叶片的源域数据集与目标域数据集； 其中， 源域与目标域数据集存在分 布偏移， 分布偏移包括： 源域数据集与目标域数据集中植物叶片的拍摄角度、 光照、 背景不 同； 源域数据集中包 含无叶片或者与植物叶片疾病检测任务无关的图像数据； 将源域数据集采用对比学习方法进行训练， 得到编码器的模型参数和每张图像的源域 特征表示； 将目标域数据集输入确定了模型参数的编码器， 再输入域自适应层， 最后输入分类器， 得到分类结果； 根据分类结果调整域自适应层的参数和分类 器的参数； 在达到预定训练条件时， 保存最终的域自适应层的参数和分类 器的参数； 根据最终的编码器的模型参数、 域自适应层的参数和分类器的参数确定最终的植物叶 片疾病检测模型； 其中， 所述将目标域数据集输入确定了模型参数的编码器， 再输入域自适应层， 最后输 入分类器进行分类， 得到分类结果， 包括： 加载编码器 的模型参数、 源域数据集的源域特 征表示、 自适应层和分类 器； 将目标域数据集中每张图像及其对应的标签， 输入编码器 ， 得到第一特 征zt； 将特征zt输入自适应层进行处 理， 得到第二特 征z´t； 将第二特 征z´t输入分类 器， 得到分类结果 ； 其中， 所述 根据分类结果调整域自适应层的参数和分类 器的参数， 包括： 根据分类结果 计算多任务模型的模型总损失函数， 公式如下： 其中， Ltotal为模型总损失函数， Lcls为模型分类损失， 模型分类损失表示分类标签 与 分类结果 之间的差异， LMMD为域分布对齐损失， 域分布对齐损失为源域数据集的源域特 征表示与对齐后的目标域数据的特 征表示之间的分布 距离， α 为 域分布对齐损失的系数； 根据模型总损失函数的值， 利用梯度 下降与反 向传播算法更新域自适应层的参数和分 类器的参数。 2.根据权利要求1所述的方法， 其特征在于， 所述将源域数据集采用对比学习方法进行 训练， 得到编码器的模型参数和每张图像的源域特 征表示， 包括： 按照孪生网络 框架， 构建编码器 的模型与预测器 的模型； 对源域数据集中的图像 ， 先进行数据增强， 获得第一增强图 和第二增强图 ； 将第一增强图 和第二增强图 分别输入编码器 得到第一编码特征向量 、 第二 编码特征向量 ， 公式如下： 权　利　要　求　书 1/3 页 2 CN 115239708 B 2其中， f （▪） 表示编码器的模型函数； 将 、 分别输入预测器 得到第一预测向量 、 第二预测向量 ， 公式如下： 其中， h （▪） 表示预测器的模型函数； 确定损失函数的计算公式如下： 其中， L为损失函数， D为余弦相似度， stopgrad （ ▪） 为去除梯度操作函数， || ▪||2为L2范 式； 根据损失函数的值， 采用梯度下降与反向传播算法更新编码器 的模型参数与预测器 的模型参数； 重复根据源域数据集中的图像进行数据增强、 输入编码器、 预测器、 计算损失函数和模 型参数的过程， 直到 达到预设的训练次数； 遍历源域数据集中每一张图像， 重复数据增强、 输入编码器、 预测器、 计算损失函数和 模型参数的过程， 直到达到预设的训练次数， 前向传播得到每张图像的源域特征表示 ， 保存编码器 最终的模型参数。 3.根据权利要求1所述的方法， 其特征在于， 在达到预定训练条件时， 保存最终的域自 适应层的参数和分类 器的参数， 包括： 在模型的训练次数达到训练次数或者模型总损失函数的值小于预设值 时， 保存最终的 域自适应层的参数和分类 器的参数。 4.根据权利要求1所述的方法， 其特征在于， 所述标签为植物类型标签和/或是否存在 疾病标签。 5.一种植物叶片疾病检测方法， 其特 征在于， 包括： 获取待检测的植物叶片图像； 将所述待检测的植物叶片图像输入权利要求1 ‑4任一项所述的植物叶片疾病检测模型 训练方法中的植物叶片疾病检测模型， 得到植物类型和/或是否存在疾病。 6.一种植物叶片疾病检测模型训练装置， 其特 征在于， 所述装置包括： 数据集获取模块， 用于获取关于植物叶片的源域数据集与目标域数据集； 其中， 源域与 目标域数据集存在分布偏移， 分布偏移包括： 源域数据集与目标域数据集中植物叶片的拍 摄角度、 光照、 背 景不同； 源域数据集中包含无叶片或者与植物叶片疾病检测任务无关的图 像数据； 训练模块， 用于将源域数据集采用对比学习方法进行训练， 得到编码器的模型参数和 每张图像的源域特 征表示；权　利　要　求　书 2/3 页 3 CN 115239708 B 3