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！

龙图腾网获悉无锡学院申请的专利一种基于Transformer的农作物叶片病害检测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：CN115620146B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202211385848.1，技术领域涉及：G06V20/10；该发明授权一种基于Transformer的农作物叶片病害检测方法是由朱节中;黄凤星;杨再强;余晓栋设计研发完成，并于2022-11-07向国家知识产权局提交的专利申请。

本一种基于Transformer的农作物叶片病害检测方法在说明书摘要公布了：本发明公开了一种基于Transformer的农作物叶片病害检测方法，涉及农作物病害检测技术领域，包括以下步骤：S1、获取n幅用于模型训练的农作物叶片图像；S2、构建初始的叶片病害检测模型；S3、利用样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型；S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。本发明模型采用编码器和解码器结构，编码器主要采用Transformer完成特征的提取工作，相较于传统的卷积神经网络速度更快，参数量更少；在解码器中，利用Transformer输出特征图进行特征融合的部分采用通道注意力机制，能够很好的减少模型参数量同时不会使性能下降。

本发明授权一种基于Transformer的农作物叶片病害检测方法在权利要求书中公布了：1.一种基于Transformer的农作物叶片病害检测方法，其特征在于，包括以下步骤： S1、获取n幅用于模型训练的农作物叶片图像，标记农作物叶片图像中的病害区域，得到完成标记的农作物叶片图像的样本集； S2、构建初始的叶片病害检测模型，所述初始的叶片病害检测模型包括编码器和解码器，编码器采用Transformer结构进行高层特征提取，解码器采用通道注意力机制对编码器Transformer输出特征图进行特征融合；所述叶片病害检测模型的编码器包括：输入层、卷积层和Transformer层，具体为： 输入层输入农作物叶片图像，并将农作物叶片图像传输到第一卷积层；农作物叶片图像的尺寸为H×W×3，其中，H和W分别为农作物叶片图像的长宽，3表示农作物叶片图像具有RGB三个通道； 农作物叶片图像经过第一卷积层，得到第一编码特征图，第一编码特征图的尺寸为H×W×24； 第一编码特征图首先输入池化层进行池化处理，然后经过第二卷积层处理后得到第二编码特征图，第二编码特征图的尺寸为 农作物叶片图像经过池化层进行四倍下采样处理，然后输入第一Transformer层得到第三编码特征图，第三编码特征图尺寸为 第三编码特征图输入第二Transformer层得到第四编码特征图，第四编码特征图尺寸为 第四编码特征图输入第三Transformer层得到第五编码特征图，第五编码特征图尺寸为 第五编码特征图输入第四Transformer层得到第六编码特征图，第六编码特征图尺寸为 所述第一Transformer层、第二Transformer层、第三Transformer层和第四Transformer层的具体结构为： 所述第一Transformer层包括：池化层、区块划分操作模块、线性编码操作模块和TransformerBlock；农作物叶片图像依次经过池化层、区块划分操作模块、线性编码操作模块和TransformerBlock得到第三编码特征图； 第二Transformer层、第三Transformer层和第四Transformer层均为下采样操作模块和TransformerBlock依次连接； 其中，所述Transformer层中的下采样操作模块均是将编码特征图划分为四个区域，然后在深度方向进行拼接变成[0,1,2,3]，再经过线性变换变成[4,5]；所述TransformerBlock具体包括：LN层归一化模块、窗口多头注意力模块、MLP多层感知机、滑动窗口多头注意力模块和跳跃连接模块； 其中，所述LN层归一化模块、窗口多头注意力模块和跳跃连接模块依次连接；接下来LN层归一化模块、MLP多层感知机和跳跃连接模块依次连接；接下来LN层归一化模块、滑动窗口多头注意力模块和跳跃连接模块依次连接；最后LN层归一化模块、MLP多层感知机和跳跃连接模块依次连接； 所述叶片病害检测模型的解码器包括：卷积核、通道注意力模块和空间注意力模块，具体包括： 第六编码特征图输入解码器的第一层，经过1×1的卷积核后与第五编码特征图进行拼接融合，然后经过3×3的卷积核和通道注意力模块，输出大小为的第一解码特征图； 第一解码特征图输入解码器的第二层，经过1×1的卷积核后与第四编码特征图进行拼接融合，然后经过3×3的卷积核和通道注意力模块，输出大小为的第二解码特征图； 第二解码特征图输入解码器的第三层，经过1×1的卷积核后与第三编码特征图进行拼接融合，然后经过3×3的卷积核和通道注意力模块，输出大小为的第三解码特征图； 第三解码特征图输入解码器的第四层，经过1×1的卷积核后与第二编码特征图进行拼接融合，然后经过3×3的卷积核和空间注意力模块，输出大小为的第四解码特征图； 第四解码特征图输入解码器的第五层，经过1×1的卷积核后与第一编码特征图进行拼接融合，然后经过3×3的卷积核和空间注意力模块，输出大小为H×W×24的第五解码特征图； 第五解码特征图输入解码器的第六层，经过1×1的卷积核后输出大小为H×W×N的第六解码特征图，其中N为病虫害种类和背景的总和； S3、利用步骤S1的样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型； S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。

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无锡学院，其通讯地址为：214105 江苏省无锡市锡山区锡山大道333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。