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申请的专利一种基于Wave-SubNet轻量级模型的番茄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：CN116152198B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310149965.6，技术领域涉及：G06T7/00；该发明授权一种基于Wave-SubNet轻量级模型的番茄叶斑病识别方法是由高尚兵;张浩淼;张海艳;余骥远;李洁;蒋东山;王腾;赵可钒;缪奕可;唐琪;曹鹏;杨瑞杰设计研发完成，并于2023-02-22向国家知识产权局提交的专利申请。

本一种基于Wave-SubNet轻量级模型的番茄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Wave‑SubNet轻量级模型的番茄叶斑病识别方法，预先获取的番茄叶斑病数据图片，人工进行病斑图片分类并制作成数据集，再对数据集的病斑图像进行预处理；构建基于Wave‑SubNet轻量级模型的番茄叶斑病识别网络模型，包括初步特征提取模块，两个Sub模块组成和四个Wave模块；在Sub模块和Wave模块结尾加入改进的注意力机制，并且对Sub和Wave模块进行堆叠；训练已经构建好的网络模型，将训练好的模型用于测试网络中，最终通过softmax激活函数输出分类结果，并多次迭代训练模型去得到最好的模型权重。本发明提出模型识别率高、模型结构简单、具有很大的实际运用价值，在农业作物叶片病虫害识别领域具有较大的前景。

本发明授权一种基于Wave-SubNet轻量级模型的番茄叶斑病识别方法在权利要求书中公布了：1.一种基于Wave-SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，包括以下步骤： 1对预先获取的番茄叶斑病数据图片进行病斑图片分类并制作成数据集； 2对步骤1得到的数据集进行图像预处理，并将得到的样本数据划分为训练集、验证集和测试集； 3构建基于Wave-SubNet轻量级模型的番茄叶斑病识别网络，包括初步特征提取模块，第一个特征提取主干模块和第二个特征提取主干模块；所述第一个特征提取主干模块由两个Sub模块组成，第二个特征提取主干模块由四个Wave模块组成；在Sub模块和Wave模块结尾加入改进的注意力机制，并且对Sub和Wave模块进行堆叠； 4训练步骤3中搭建好的基于Wave-SubNet轻量级模型的番茄叶斑病识别网络，先将经过步骤2经过图像预处理后的训练集通过模型训练输入到搭建好的模型中进行特征提取，通过不断迭代前向和反向传播过程，再通过动量梯度下降算法更新模型参数去优化网络的参数，最后将训练好的结果通过SoftMax分类器输出； 5对基于Wave-SubNet轻量级模型的番茄叶斑病识别网络进行多次迭代训练，并调整模型的训练参数，直到获得最好的模型权重； 6将步骤5中得到最好的训练模型权重作为预训练模型对测试集中数据图片进行验证，并评估模型的性能； 步骤3所述Sub模块由两个3×3卷积核、一个Improved-CBAM注意力机制和一个1×1卷积核组成； 步骤3所述Wave模块中，Wave-block1和Wave-block2由两个5×5深度卷积核、一个3×3卷积核和两个1×1卷积核组成，Wave-block3和Wave-block4由两个7×7深度卷积核、一个3×3卷积核和一个1×1卷积核组成； 步骤3所述的在Sub模块中和Wave模块结尾加入改进的注意力机制Improved-CBAM；Improved-CBAM注意力机制分为空间注意力和通道注意力两部分，先将尺寸为H×W×C的特征图分别经过全局最大池化和全局平均池化两种不同池化方式的运算，从而获得两个1×1×C的通道特征，紧接着将两个通道特征送入一个由1×1普通卷积、3×3深度卷积和1×1普通卷积构成的特征提取块，使用的激活函数为ReLU；最后将输出的两个特征的元素进行逐元素相加融合操作后，通过Sigmoid激活函数可以获得需要的通道注意力图； 步骤3具体操作流程为: 31在训练样本图像输入模型的预处理阶段，把输入的RGB的3通道番茄叶片图像先经过步骤2图像预处理,把输出的特征向量标记为S0； 32将S0输入初步特征提取模块，将S0作为多卷积网络的输入进行kernel_size=7的卷积操作，再经过Relu激活函数和kernel_size=3的MaxPool2d得到特征向量S11；将S11进行kernel_size=1的卷积操作，再经过Relu激活函数得到特征向量S12；将S12进行kernel_size=3的卷积操作，再经过Relu激活函数和kernel_size=3的MaxPool2d操作得到特征向量S13； 33将S13输入Sub-block1模块，将S13作为混合卷积网络的输入进行kernel_size=3深度卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S21；将S21进行kernel_size=3卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S22；将S22输入Improved-CBAM注意力机制，Improved-CBAM注意力机制将注意力映射沿特征图的通道空间两个独立的维度进行注入，对输入的特征图进行自适应特征细化得到特征更为集中的S23；将S23进行kernel_size=1的卷积操作，再经过BatchNorm层得到特征向量S24； 经过Sub-block2模块：将S24作为混合卷积网络的输入进行kernel_size=3的深度卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S31；将S31进行kernel_size=3的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S32；将S32输入Improved-CBAM注意力机制得到特征向量S33；将S33进行kernel_size=1的卷积操作，再经过BatchNorm层得到特征向量S34； 34将S34输入第Wave-block1模块，将S34作为混合卷积网络的输入进行kernel_size=5的深度卷积操作，再依次经过BatchNorm层和ReLU6激活层得到特征向量S41；将S41进行kernel_size=1的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S42；将S42进行kernel_size=3的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S43；将S43进行kernel_size=1的卷积操作，再依次经过BatchNorm层得到特征向量S44；将S44进行kernel_size=5的深度卷积操作，再依次经过BatchNorm层得到特征向量S45；将S45输入Improved-CBAM注意力机制得到特征向量S46； 经过Wave-block2模块：将S46作为混合卷积网络的输入进行kernel_size=5的深度卷积操作，再依次经过BatchNorm层和ReLU6激活层得到特征向量S51；将S51进行kernel_size=1的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S52；将S52进行kernel_size=3的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S53；将S53进行kernel_size=1的卷积操作，再依次经过BatchNorm层得到特征向量S54；将S54进行kernel_size=5的深度卷积操作，再依次经过BatchNorm层得到特征向量S55；将S55输入Improved-CBAM注意力机制得到特征向量S56； 经过Wave-block3模块：将S56作为混合卷积网络的输入进行kernel_size=7的深度卷积操作，再依次经过BatchNorm层和ReLU6激活层得到特征向量S61；将S61进行kernel_size=1的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S62；将S62进行kernel_size=3的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S63；将S63进行kernel_size=1的卷积操作，再依次经过BatchNorm层得到特征向量S64；将S64进行kernel_size=7的深度卷积操作，再依次经过BatchNorm层得到特征向量S65；将S65输入Improved-CBAM注意力机制得到特征向量S66； 经过Wave-block4模块：将S66作为混合卷积网络的输入进行kernel_size=7的深度卷积操作，再依次经过BatchNorm层和ReLU6激活层得到特征向量S71；将S71进行kernel_size=1的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S72；将S72进行kernel_size=3的卷积操作，再依次经过BatchNorm层和Hardswish激活层得到特征向量S73；将S73进行kernel_size=1的卷积操作，再依次经过BatchNorm层得到特征向量S74；将S74进行kernel_size=7的深度卷积操作，再依次经过BatchNorm层得到特征向量S75；将输入Improved-CBAM注意力机制得到特征向量S76； 35将S76输入到AvgPool2d、全连接层和Softmax激活函数，最后输出分类结果。

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淮阴工学院，其通讯地址为：223003 江苏省淮安市清江浦区枚乘东路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。