(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 202210383553.4 (22)申请日 2022.04.12 (71)申请人 中国农业大 学 地址 100193 北京市海淀区 圆明园西路2号 (72)发明人 王耀君　张家文　黄金泽　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 李相雨 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 农作物病害识别方法、 装置、 设备及存储介 质 (57)摘要 本发明提供一种农作物病害识别方法、 装 置、 设备及存储介质， 该农作物病害识别方法包 括： 使用改进后的ResNeXt模型对农作物病害进 行识别； 其中， 所述ResNeXt模型中全连接层的输 出连接有dropout层。 本发明通过在ResNeXt模型 中的全连接层之后， 进 一步连接有dropout层， 以 改进ResNeXt模型； 进而使用改进后的ResNeXt模 型识别农作物病害， 可以减少模 型输出的神经元 的数量， 使模型更拟合农作物病害识别场景， 避 免现有的ResNeXt模型对农作物病害进行识别时 的过拟合现象， 提高模型识别农作物病害的准确 率。 权利要求书1页 说明书11页 附图5页 CN 114764887 A 2022.07.19 CN 114764887 A 1.一种农作物病害识别方法， 其特 征在于， 包括： 使用改进后的ResNe Xt模型对农作物病害 进行识别； 其中， 所述ResNe Xt模型中全连接层的输出 连接有dropout层。 2.根据权利要求1所述的农作物病害识别方法， 其特 征在于， 所述改进后的ResNe Xt模型通过以下 方式获取： 获取农作物信息样本集， 所述样本集包括训练集、 测试集和验证集； 基于所述训练集， 对所述改进后的ResNe Xt模型进行训练； 基于所述测试集， 调整所述dropout层的概 率值， 以抑制模型输出的神经 元数量。 3.根据权利要求2所述的农作物病害识别方法， 其特征在于， 所述基于所述测试集， 调 整所述dropout层的概 率值， 以抑制模型输出的神经 元数量， 包括： 将所述测试集输入所述改进后的ResNe Xt模型， 获取 所述测试集对应的病害识别结果； 基于所述病害识别结果的准确率， 调整所述dropout层的概 率值。 4.根据权利要求3所述的农作物病 害识别方法， 其特征在于， 所述基于所述病 害识别结 果的准确率， 调整所述dropout层的概 率值， 包括： 在所述准确率为最大值的情况 下， 确定所述 最大值对应的概 率值为所述第一 概率值； 设置所述dropout层的概 率值为所述第一 概率值。 5.根据权利要求1 ‑4任一项所述的农作物病害识别方法， 其特征在于， 所述方法还包 括： 使用所述改进后的ResNe Xt模型， 确定待识别农作物对应的第一病害类别； 将所述待识别农作物分别输入多种分类模型， 确定所述待识别农作物分别对应的第 二 病害类别； 确定所述第 一病害类别和所有所述第 二病害类别中的第 三病害类别， 作为所述待识别 农作物对应的病害识别结果； 其中， 所述第 三病害类别为所述第 一病害类别和所有所述第 二病害类别中重复次数最 多的病害类别。 6.根据权利要求1至4任一项所述的农作物病害识别方法， 其特征在于， 所述农作物信 息样本集包括农作物图片和所述农作物的位置信息 。 7.一种农作物病害识别装置， 其特 征在于， 包括： 识别单元， 用于使用改进后的ResNe Xt模型对农作物病害 进行识别； 其中， 所述ResNe Xt模型中全连接层的输出 连接有dropout层。 8.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至8任一项所 述农作物病害识别方法。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处 理器执行时实现如权利要求1至 6任一项所述农作物病害识别方法。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 6任一项所述农作物病害识别方法。权　利　要　求　书 1/1 页 2 CN 114764887 A 2农作物病害识别方 法、 装置、 设备及存储介质 技术领域 [0001]本发明涉及互联网技 术领域， 尤其涉及病害识别方法及装置 。 背景技术 [0002]随着智慧农业和精准农业的推进， 依靠 机器学习的病害识别模型正在兴起。 [0003]目前， 将一些算法， 如 颜色阈值法、 支持向量机(Support  Vector Machine， SVM)和 随机森林等， 应用在病害识别上， 实现了农作物病害检测自动化。 [0004]但是这些算法的特征提取都依靠着人工， 在极端情况下， 可能造成较大的误差， 模 型准确率较低。 发明内容 [0005]针对现有技术存在的缺陷， 本发明提供一种农作物病害识别方法、 装置、 设备及存 储介质。 [0006]第一方面， 本发明提供一种农作物病害识别方法， 包括： [0007]使用改进后的ResNe Xt模型对农作物病害 进行识别； [0008]其中， 所述ResNe Xt模型中全连接层的输出 连接有dropout层。 [0009]可选地， 根据本 发明提供的农作物病害识别方法， 所述改进后的ResNeXt模型通过 以下方式获取： [0010]获取农作物信息样本集， 所述样本集包括训练集、 测试集和验证集； [0011]基于所述训练集， 对所述改进后的ResNe Xt模型进行训练； [0012]基于所述测试集， 调整所述dropout层的概 率值， 以抑制模型输出的神经 元数量。 [0013]可选地， 根据本发明提供的农作物病害识别方法， 所述基于所述测试集， 调整所述 dropout层的概 率值， 以抑制模型输出的神经 元数量， 包括： [0014]将所述测 试集输入所述改进后的ResNeXt模型， 获取所述测 试集对应的病害识别 结果； [0015]基于所述病害识别结果的准确率， 调整所述dropout层的概 率值。 [0016]可选地， 根据本发明提供的农作物病害识别方法， 所述基于所述病害识别结果的 准确率， 调整所述dropout层的概 率值， 包括： [0017]在所述准确率为最大值的情况下， 确定所述最大值对应的概率值为所述第一概率 值； [0018]设置所述dropout层的概 率值为所述第一 概率值。 [0019]可选地， 根据本发明提供的农作物病害识别方法， 所述方法还 包括： [0020]使用所述改进后的ResNe Xt模型， 确定待识别农作物对应的第一病害类别； [0021]将所述待识别农作物 分别输入多种分类模型， 确定所述待识别农作物分别对应的 第二病害类别； [0022]确定所述第一病害类别和所有所述第二病害类别中的第三病害类别， 作为所述待说　明　书 1/11 页 3 CN 114764887 A 3