基于深度卷积神经网络的番茄病害识别方法

发明专利有效专利

申请号：
CN201911268844.3
IPC分类号：G06K9/00;G06K9/62;G06N3/04;G06N3/08
申请日期：
2019-12-11
申请人：
北京工业大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于深度卷积神经网络的番茄病害识别方法
申请号	CN201911268844.3	申请日期	2019-12-11
法律状态	实质审查	申报国家	中国
公开/公告日	2020-04-21	公开/公告号	CN111046793A
优先权	暂无	优先权号	暂无
主分类号	G06K9/00 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06K 数据识别；数据表示；记录载体；记录载体的处理（印刷本身入B41J） G06K9/00 用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置（用于图表阅读或者将诸如力或现状态的机械参量的图形转换为电信号的方法或装置入G06K 11/00；语音识别入G10L 15/00）〔1，7〕	IPC分类号	G;0;6;K;9;/;0;0;;;G;0;6;K;9;/;6;2;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	北京工业大学	申请人地址	北京市朝阳区平乐园100号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	北京工业大学	当前权利人	北京工业大学
发明人	张涛;朱显坤;张琨
代理机构	北京思海天达知识产权代理有限公司	代理人	暂无

摘要

本发明公开了基于深度卷积神经网络的番茄病害识别方法，本发明采用深度神经网络Residual 56Attention，ResNet通过残差学习解决了深度网络的退化问题，以训练出更深的网络的同时节省了大量资源占用。Residual 56Attention在ResNet基础上引入了Attention机制，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上。在原有的Residual 56Attention网络基础上所有的激活函数层均使用ELU函数作为激活函数，在样本识别时运算效率更高，而模型参数减少，收敛速度更快，降低了资源的占用，以及对软硬件的高需求，可以更好投入到实际使用。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供