«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第51卷

期数:

2023年第6期

页码:

178-186

栏目:

农业工程与信息技术

出版日期:

2023-03-20

文章信息/Info

Title:

Classification of mung bean leaf spot based on MS-PLNet and hyperspectral images

作者:

余骥远¹; 2;  高尚兵¹;  李洁¹; 2;  陈新²;  李士丛²;  张浩淼¹;  袁星星²;  唐琪¹

1.淮阴工学院，江苏淮安 223001； 2.江苏省农业科学院经济作物研究所，江苏南京 210014

Author(s):

Yu Jiyuan; et al

关键词:

绿豆叶斑病; 图像分类; 卷积神经网络; 多尺度特征; 高光谱图像

Keywords:

-

分类号:

TP391.41；S126

DOI:

-

文献标志码:

A

摘要:

为在绿豆播种过程中提高叶斑病的识别准确率，以实验室获取的高光谱图像为研究对象，提出基于MS-PLNet(multiscale-PlantNet)和高光谱图像的绿豆叶斑病病级分类方法。将绿豆叶片彩色图像通过专业设备转换为高光谱格式，依据病斑大小占叶面积比例，将高光谱图像标注为高抗、抗、中抗、中感、感病5个类别，构成本试验的数据集，然后建立MS-PLNet卷积神经网络模型，该图像分类模型包括图像输入、多尺度特征提取、特征融合、分类等4个阶段。为提高模型对输入不同分辨率图像的适用性，将多尺度图像输入到多尺度特征提取模块，获取分类需要的特征图；为将不同尺度的特征图进行特征融合，通过不同步长的下采样和上采样操作，获取特征融合阶段的输入特征图；为在最终分类阶段获取对分类起作用的特征图，采用通道注意力机制让分类器关注有用的特征，抛弃冗余特征；最后通过使用softmax分类器实现对高光谱图像中高抗、抗、中抗、中感、感病5个绿豆叶斑病病级的分类。通过与已有图像分类方法进行比较，MS-PLNet在训练时获得了最高的验证准确率，训练300次验证准确率为96.8%，训练 1 000 次验证准确率为98.4%；在获得最高验证准确率的同时，训练时间大大缩短，MobileNet-V3在所有与本研究方法进行比较的先进方法中训练时间较短，但是训练300次所花费的时间是MS-PLNet的1.59倍，训练1 000次所花费的时间是MS-PLNet的1.12倍。本研究提出的MS-PLNet模型计算量为0.39 GMac，参数数量为7.75 million，能够高效利用GPU资源。对5个类别的叶斑病图像进行分类时，分类的平均精度达到95.0%，召回率达到99.9%，可以实现叶斑病的高精度识别。本研究所提出的基于MS-PLNet和高光谱图像的分类方法，能够对绿豆叶斑病进行有效的病级分类，同时该方法可以输入多个尺度的图像并且具有较小的参数，可以应用于移动设备实现真实环境下的绿豆叶斑病识别。

Abstract:

-

参考文献/References:

［1］刘慧. 我国绿豆生产现状和发展前景［J］. 农业展望，2012，8(6)：36-39.
［2］赵吉平，王彩萍，侯小峰，等. 论绿豆的经济价值及产业化开发利用［J］. 农业科技通讯，2016(5)：9-10.
［3］段志龙，赵大雷，刘小进，等. 绿豆常见病害的症状及主要防治措施［J］. 农业科技通讯，2009(6)：151-152，160.
［4］刘昌燕，肖炎农，吴小微，等. 绿豆叶斑病病原鉴定及生物学特性研究［J］. 植物保护，2015，41(6)：83-87.
［5］Lowe A，Harrison N，French A P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress［J］. Plant Methods，2017，13：80.
［6］吕梦棋，张芮祥，贾浩，等. 基于改进ResNet玉米种子分类方法研究［J］. 中国农机化学报，2021，42(4)：92-98.
［7］王美华，吴振鑫，周祖光. 基于注意力改进CBAM的农作物病虫害细粒度识别研究［J］. 农业机械学报，2021，52(4)：239-247.
［8］黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究［J］. 计算机工程与应用，2021，57(23)：178-184.
［9］闫建伟，张乐伟，赵源，等. 改进RetinaNet的刺梨果实图像识别［J］. 中国农机化学报，2021，42(3)：78-83.
［10］赵志焱，杨华，胡志伟，等. 基于TACNN的玉露香梨叶虫害识别［J］. 计算机工程与应用，2021，57(9)：176-181.
［11］宋余庆，谢熹，刘哲，等. 基于多层EESP深度学习模型的农作物病虫害识别方法［J］. 农业机械学报，2020，51(8)：196-202.
［12］Gao R H，Wang R，Feng L，et al. Dual-branch，efficient，channel attention-based crop disease identification［J］. Computers and Electronics in Agriculture，2021，190：106410.
［13］尚静，黄人帅，张艳，等. 高光谱成像结合模式识别无损检测猕猴桃成熟度［J］. 中国农机化学报，2022，43(8)：90-95.
［14］谢鹏尧，富昊伟，唐政，等. 基于RGB图像的冠层尺度水稻叶瘟病斑检测与抗性评估［J］. 浙江大学学报(农业与生命科学版)，2021，47(4)：415-428.
［15］Hussain A，Balaji S P. Disease classification and detection techniques in rice plant using deep learning［C］//2022 8th international conference on smart structures and systems (ICSSS). Chennai，India：IEEE，2022：1-7.
［16］Bhujel A，Kim N E，Arulmozhi E，et al. A lightweight attention-based convolutional neural networks for tomato leaf disease classification［J］. Agriculture，2022，12(2)：228.
［17］刘庆飞，张宏立，王艳玲. 基于深度可分离卷积的实时农业图像逐像素分类研究［J］. 中国农业科学，2018，51(19)：3673-3682.
［18］闫壮壮，闫学慧，石嘉，等. 基于深度学习的大豆豆荚类别识别研究［J］. 作物学报，2020，46(11)：1771-1779.
［19］杨飚，周芷晴. 基于图像变形网络的小样本图像分类算法研究［J］. 工业控制计算机，2022，35(5)：86-88.
［20］Jin X B，Zhang J S，Kong J L，et al. A reversible automatic selection normalization (RASN) deep network for predicting in the smart agriculture system［J］. Agronomy，2022，12(3)：591.
［21］Sun N，Li H N. Super resolution reconstruction of images based on interpolation and full convolutional neural network and application in medical fields［J］. IEEE Access，2019，7：186470-186479.
［22］Haase D，Amthor M. Rethinking depthwise separable convolutions：how intra-kernel correlations lead to improved MobileNets［C］//2020 IEEE/CVF conference on computer vision and pattern recognition (CVPR). Seattle，WA，USA：IEEE，2020：14588-14597.
［23］Niu Z Y，Zhong G Q，Yu H. A review on the attention mechanism of deep learning［J］. Neurocomputing，2021，452：48-62.
［24］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//Proceedings of the 2018 IEEE/CVF conference on computer vision and pattern recognition. Salt Lake City，UT，USA：IEEE，2018：7132-7141.
［25］Yang M J，Jiao L C，Liu F，et al. DPFL-nets：deep pyramid feature learning networks for multiscale change detection［J］. IEEE Transactions on Neural Networks and Learning Systems，2022，33(11)：6402-6416.
［26］Li J J，Zhao X，Li Y S，et al. Classification of hyperspectral imagery using a new fully convolutional neural network［J］. IEEE Geoscience and Remote Sensing Letters，2018，15(2)：292-296.
［27］Sandler M，Howard A，Zhu M，et al. Mobilenetv2：Inverted residuals and linear bottlenecks［C］//Proceedings of the 2018 IEEE/CVF conference on computer vision and pattern recognition. Salt Lake City，UT，USA：IEEE，2018：4510-4520.
［28］Howard A，Sandler M，Chu G，et al. Searching for mobilenetv3［C］//Proceedings of the 2019 IEEE/CVF international conference on computer vision. Seoul，Korea(South)：IEEE，2020：1314-1324.
［29］Tan M，Le Q. Efficientnet：rethinking model scaling for convolutional neural networks［EB/OL］. (2019-08-28)［2022-10-01］. https：arxiv.org/abs/1905.11946.
［30］Zhou D Q，Hou Q B，Chen Y P，et al. Rethinking bottleneck structure for efficient mobile network design［M］//Computer Vision-ECCV 2020.Cham：Springer International Publishing，2020：680-697.
［31］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//Proceedings of the 2016 IEEE conference on computer vision and pattern recognition. Las Vegas，NV，USA：IEEE，2016：770-778.
［32］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. (2014-11-04)［2022-10-01］. https：//arxiv.org/abs/1409.1556.
［33］Huang G，Liu Z，Van Der Maaten L，et al. Densely connected convolutional networks［C］//Proceedings of the 2017 IEEE conference on computer vision and pattern recognition. Honolulu，HI，USA：IEEE，2017：4700-4708.

相似文献/References:

[1]马晓,邢雪,武青海.基于改进ConvNext的复杂背景下玉米叶片病害分类[J].江苏农业科学,2023,51(19):190.
　Ma Xiao,et al.Maize leaf disease classification under complex background based on improved ConvNext[J].Jiangsu Agricultural Sciences,2023,51(6):190.
[2]谭彬,蔡健荣,许骞,等.基于注意力机制改进卷积神经网络的柑橘病虫害识别[J].江苏农业科学,2024,52(8):176.
　Tan Bin,et al.Recognition of citrus pests and diseases based on attention mechanism improved convolutional neural networks[J].Jiangsu Agricultural Sciences,2024,52(6):176.
[3]王晶,崔艳荣.基于改进MobileNet v3-Small模型的草莓病害识别方法[J].江苏农业科学,2024,52(10):225.
　Wang Jing,et al.Strawberry disease identification method based on improved MobileNet v3-Small model[J].Jiangsu Agricultural Sciences,2024,52(6):225.
[4]张澳雪,崔艳荣,李素若,等.基于改进RegNet网络的玉米叶片病害识别研究[J].江苏农业科学,2024,52(11):216.
　Zhang Aoxue,et al.Identification of maize leaf diseases based on improved RegNet network[J].Jiangsu Agricultural Sciences,2024,52(6):216.
[5]王浩宇,崔艳荣.基于改进ShuffleNet v2模型的苹果叶片病害识别方法[J].江苏农业科学,2024,52(13):214.
　Wang Haoyu,et al.Apple leaf disease identification method based on improved ShuffleNet v2 model[J].Jiangsu Agricultural Sciences,2024,52(6):214.
[6]梁倩倩,陈勇,崔艳荣.基于改进轻量化网络MobileViT的苹果叶片病虫害识别方法[J].江苏农业科学,2024,52(14):222.
　Liang Qianqian,et al.An apple leaf pest identification method based on improved lightweight network MobileViT[J].Jiangsu Agricultural Sciences,2024,52(6):222.
[7]戴硕,白涛,李东亚,等.基于知识蒸馏及改进ShuffleNet v2的棉花病虫害识别方法[J].江苏农业科学,2024,52(15):222.
　Dai Shuo,et al.Recognition of cotton pests and diseases based on knowledge distillation and improved ShuffleNet v2[J].Jiangsu Agricultural Sciences,2024,52(6):222.
[8]严露露,朱赞彬,冯世杰,等.基于改进FixMatch算法的半监督番茄病虫害识别[J].江苏农业科学,2024,52(20):244.
　Yan Lulu,et al.Semi-supervised identification of tomato diseases and pests based on improved FixMatch algorithm[J].Jiangsu Agricultural Sciences,2024,52(6):244.
[9]董天亮,李佳,马晓,等.基于SC-ConvNeXt网络模型的小麦叶片病害识别方法[J].江苏农业科学,2025,53(5):129.
　Dong Tianliang,et al.A wheat leaf disease recognition method based on SC-ConvNeXt network model[J].Jiangsu Agricultural Sciences,2025,53(6):129.

备注/Memo

备注/Memo:

收稿日期：2022-10-14
基金项目：国家自然科学基金面上项目(编号：62076107)；国家重点研发计划(编号：2018YFB1004904)；江苏省高校自然科学研究重大项目(编号：18KJA520001)；江苏省产学研合作项目(编号：BY2022334)
作者简介：余骥远(1997—)，男，湖北襄阳人，硕士研究生，研究方向为图像处理。E-mail：421226718@qq.com。
通信作者：高尚兵，博士，教授，主要研究方向深度学习、图像处理。E-mail：11060036@hyit.edu.cn。

常用功能

更新日期/Last Update: 2023-03-20