买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉淮阴工学院;江苏省农业科学院申请的专利一种基于RePMMS-Net的绿豆叶斑病识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114973005B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210740190.5，技术领域涉及：G06V20/10；该发明授权一种基于RePMMS-Net的绿豆叶斑病识别方法是由高尚兵;李洁;余骥远;唐琪;陈新;缪奕可;曹鹏;袁星星;杨瑞杰;陈浩霖;任珂;张海艳;刘步实;李少凡设计研发完成，并于2022-06-28向国家知识产权局提交的专利申请。

本一种基于RePMMS-Net的绿豆叶斑病识别方法在说明书摘要公布了：本发明公开了一种基于RePMMS‑Net的绿豆叶斑病识别方法，预先获取绿豆叶斑病图像，通过人工标注制作绿豆叶斑病数据集；构建并行多分支多尺度卷积核模块PMMS，并重复使用PMMS模块，进行特征重复学习，得到最终图像的特征向量；将图像的特征向量输入全局平均池化层，输出最终的特征向量作为softmax分类器的输入；构建softmax分类器，将输入的特征向量转化为关于类别的概率向量输出；构建RePMMS‑Net网络模型，并训练该网络，即通过不断迭代前向传播过程、反向传播过程优化网络的参数；使用训练好的RePMMS‑Net网络模型对测试图像中的目标进行识别。本发明提出的病斑识别模型，能充分挖掘图像中的特征；增强了模型的适应性，提高了分类精度，具有良好的泛化性能和较好的鲁棒性。

本发明授权一种基于RePMMS-Net的绿豆叶斑病识别方法在权利要求书中公布了：1.一种基于RePMMS-Net的绿豆叶斑病识别方法，其特征在于，包括以下步骤： 1预先获取绿豆叶斑病图像，通过人工标注制作绿豆叶斑病数据集； 2对步骤1获取的绿豆叶斑病数据集进行预处理，进一步扩充图像样本集，增加样本的多样性； 3构建并行多分支多尺度卷积核模块PMMS，包括多路并行分支模块和多分支融合模块；首先使用多路并行分支，对经步骤2处理过的图像进行多分支多尺度的特征提取，得到多分支多尺度图像的特征向量；然后，将得到的图像的特征向量对应的卷积块分别进行上采样和下采样处理，并且进行融合，得到包含不同分支的卷积块信息的融合图像的特征向量；最后，将得到的特征融合后的图像的特征向量输入到卷积层中，减少输出特征图的通道数目； 4重复使用PMMS模块，进行特征重复学习，得到最终图像的特征向量； 5将步骤4得到的图像的特征向量输入全局平均池化层，输出最终的特征向量作为softmax分类器的输入； 6使用步骤5得到的图像特征向量作为输入，构建softmax分类器，将输入的特征向量转化为关于类别的概率向量输出，每个概率分量对应一个训练对应的类别概率； 7通过步骤3至6构建RePMMS-Net网络模型，并训练该网络，即通过不断迭代前向传播过程、反向传播过程优化网络的参数； 8使用训练好的RePMMS-Net网络模型对测试图像中的目标进行识别； 所述多路并行分支模块是采用三个分支构建；三个分支分别由一个3×3卷积核、两个3×3卷积核和三个3×3卷积核构成；对第一个分支输出的特征图进行下采样，对第三个分支输出的特征图上采样，将两个分支输出的特征图的高宽变成与第二个分支输出的特征图的高宽同样的大小； 对处理过后的大小为224×224×3的绿豆叶片图像进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量224,224,24；然后对其进行卷积核数量为2、步长为2的最大池化操作，输出特征向量112,112,24，作为多路并行分支模块的第一个分支； 对同一张绿豆叶片图像进行卷积核数量为24、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量112,112,24；然后对其进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作；然后经过ReLU激活函数，得到特征向量112,112,24，作为多路并行分支模块的第二个分支； 对同一张绿豆叶片图像进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量112,112,48；然后对其进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量56,56,48；然后对其进行然后对其进行卷积核数量为48、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量56,56,48；最后对其进行上采样操作，输出特征向量112,112,48，作为多路并行分支模块的第三个分支； 步骤4所述重复使用PMMS模块为重复PMMS模块三次，具体包括： 第一次重复PMMS模块：对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量112,112,24；然后对其进行卷积核数量为2、步长为2的最大池化操作，输出特征向量56,56,24，作为多路并行分支模块的第一个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量56,56,24；然后对其进行然后对其进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量56,56,24，作为多路并行分支模块的第二个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量56,56,48；然后对其进行然后对其进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量28,28,48；然后对其进行卷积核数量为48、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量28,28,48；然后对其进行上采样操作，输出特征向量56,56,48，作为多路并行分支模块的第三个分支；得到的三个分支的特征向量进行连接融合操作，得到特征融合后的图像的特征向量56,56,96；将特征向量56,56,96通过卷积核数量为3、大小为1×1的卷积核来进行通道压缩，得到特征向量56,56,3，作为下一个PMMS模块的输入； 第二次重复PMMS模块；对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量56,56,24；然后对其进行卷积核数量为2、步长为2的最大池化操作，输出特征向量28,28,24，作为多路并行分支模块的第一个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量28,28,24；然后对其进行然后对其进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量28,28,24，作为多路并行分支模块的第二个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量28,28,48；然后对其进行然后对其进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量14,14,48；然后对其进行卷积核数量为48、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量14,14,48；然后对其进行上采样操作，输出特征向量28,28,48，作为多路并行分支模块的第三个分支；将得到的三个分支的特征向量进行连接融合操作，得到特征融合后的图像的特征向量28,28,96；将特征向量28,28,96通过卷积核数量为3、大小为1×1的卷积核来进行通道压缩，得到特征向量28,28,3，作为下一个PMMS模块的输入； 第三次重复PMMS模块：对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量28,28,24；然后对其进行卷积核数量为2、步长为2的最大池化操作，输出特征向量14,14,24，作为多路并行分支模块的第一个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为24、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量14,14,24；然后对其进行然后对其进行卷积核数量为24、大小为3×3、步长为1、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量14,14,24，作为多路并行分支模块的第二个分支；对上一个PMMS模块得到的特征向量进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量14,14,48；然后对其进行然后对其进行卷积核数量为48、大小为3×3、步长为2、padding＝1的卷积操作，然后经过ReLU激活函数，得到特征向量7,7,48；然后对其进行卷积核数量为48、大小为3×3、步长为1、padding＝1的卷积操作，得到特征向量7,7,48；然后对其进行上采样操作，输出特征向量14,4,48，作为多路并行分支模块的第三个分支；将得到的三个分支的特征向量进行连接融合操作，得到特征融合后的图像的特征向量14,14,96；将得到的特征向量14,14,96通过卷积核数量为3、大小为1×1的卷积核来进行通道压缩，得到特征向量14,4,3，作为全局平均池化层的输入。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人淮阴工学院;江苏省农业科学院，其通讯地址为：223003 江苏省淮安市经济技术开发区枚乘东路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。