«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10期

页码:

202-210

栏目:

农业工程与信息技术

出版日期:

2023-05-20

文章信息/Info

Title:

Strawberry disease recognition method based on multi-scale convolution and channel domain enhancement

作者:

黄铝文¹; 2; 郑梁¹; 黄煜¹; 谦博¹; 关非凡¹

1.西北农林科技大学信息工程学院，陕西杨凌 712100； 2.农业农村部农业物联网重点实验室，陕西杨凌 712100

Author(s):

Huang Lyuwen; et al

关键词:

草莓病害识别; 多尺度卷积算子; 特征增强; 残差模块

Keywords:

-

分类号:

TP391.41

DOI:

-

文献标志码:

A

摘要:

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv)，在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的 3×3 卷积替换为DOPConv，同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%，提高3.045百分点，同时内存占用量下降16.6%；消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。

Abstract:

-

参考文献/References:

［1］王鸣谦，薛莉，赵珺，等. 世界草莓生产及贸易现状［J］. 中国果树，2021(2)：104-108.
［2］Thakur P S，Khanna P，Sheorey T，et al. Trends in vision-based machine learning techniques for plant disease identification：a systematic review［J］. Expert Systems With Applications，2022，208：118117.
［3］翟肇裕，曹益飞，徐焕良，等. 农作物病虫害识别关键技术研究综述［J］. 农业机械学报，2021，52(7)：1-18.
［4］Ngugi L C，Abelwahab M，Abo-Zahhad M. Recent advances in image processing techniques for automated leaf pest and disease recognition-A review［J］. Information Processing in Agriculture，2021，8(1)：27-51.
［5］Ma L，Guo X L，Zhao S K，et al. Algorithm of strawberry disease recognition based on deep convolutional neural network［J］. Complexity，2021，2021：1-10.
［6］Kim B，Han Y K，Park J H，et al. Improved vision-based detection of strawberry diseases using a deep neural network［J］. Frontiers in Plant Science，2021，11：559172.
［7］Zhuang F Z，Qi Z Y，Duan K Y，et al. A comprehensive survey on transfer learning［J］. Proceedings of the IEEE，2021，109(1)：43-76.
［8］丁永军，张晶晶，李民赞. 基于卷积胶囊网络的百合病害识别研究［J］. 农业机械学报，2020，51(12)：246-251，331.
［9］张会敏，谢泽奇，张善文. 基于注意力胶囊网络的作物病害识别方法［J］. 江苏农业科学，2022，50(6)：101-106.
［10］Kwabena Patrick M，Felix Adekoya A，Abra Mighty A，et al. Capsule networks-A survey［J］. Journal of King Saud University-Computer and Information Sciences，2022，34(1)：1295-1310.
［11］李书琴，陈聪，朱彤，等. 基于轻量级残差网络的植物叶片病害识别［J］. 农业机械学报，2022，53(3)：243-250.
［12］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.
［13］Niu Z Y，Zhong G Q，Yu H. A review on the attention mechanism of deep learning［J］. Neurocomputing，2021，452：48-62.
［14］Shi H，Cao G，Ge Z X，et al. Double-branch network with pyramidal convolution and iterative attention for hyperspectral image classification［J］. Remote Sensing，2021，13(7)：1403.
［15］Yang X H，Yang Y，Yang J，et al. Image multi-label classification based on pyramid convolution and split-attention mechanism［C］//2021 18th International Computer Conference on Wavelet Active Media Technology and Information Processing (ICCWAMTIP).December 17-19，2021，Chengdu，China.IEEE，2022：534-538.
［16］Li C Y，Fan Y X，Cai X D. P_yConvU-Net：a lightweight and multiscale network for biomedical image segmentation［J］. BMC Bioinformatics，2021，22(1)：14.
［17］黄林生，罗耀武，杨小冬，等. 基于注意力机制和多尺度残差网络的农作物病害识别［J］. 农业机械学报，2021，52(10)：264-271.
［18］Cao J M，Li Y Y，Sun M C，et al. DO-conv：depthwise over-parameterized convolutional layer［J］. IEEE Transactions on Image Processing，2022，31：3726-3736.
［19］Gao H M，Chen Z H，Li C M. Shallow network based on depthwise overparameterized convolution for hyperspectral image classification［J］. IEEE Geoscience and Remote Sensing Letters，2022，19：1-5.
［20］Wang Y Y，Zhang W S，Zhang L M，et al. Depthwise over-parameterized Siamese network for visual tracking［C］//2021 International Conference on Information Technology and Biomedical Engineering (ICITBE). December 24-26，2021，Nanchang，China.IEEE，2022：58-62.
［21］Liu Y H，Shen J，Yang L，et al. ResDO-UNet：a deep residual network for accurate retinal vessel segmentation from fundus images［J］. Biomedical Signal Processing and Control，2023，79：104087.
［22］Afzaal U，Bhattarai B，Pandeya Y R，et al. An instance segmentation model for strawberry diseases based on mask R-CNN［J］. Sensors，2021，21(19)：6565.
［23］Shorten C，Khoshgoftaar T M. A survey on image data augmentation for deep learning［J］. Journal of Big Data，2019，6(1)：1-48.
［24］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).June 27-30，2016，Las Vegas，NV，USA.IEEE，2016：770-778.
［25］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).July 21-26，2017，Honolulu，HI，USA.IEEE，2017：1800-1807.
［26］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).June 13-19，2020.Seattle，WA，USA.IEEE，2020：11531-11539.
［27］Hu J，Shen L，Albanie S，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42(8)：2011-2023.
［28］史加荣，王丹，尚凡华，等. 随机梯度下降算法研究进展［J］. 自动化学报，2021，47(9)：2103-2119.
［29］Zhou B L，Khosla A，Lapedriza A，et al. Learning deep features for discriminative localization［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).June 27-30，2016.Las Vegas，NV，USA.IEEE，2016：2921-2929.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2022-12-15
基金项目：国家重点研发计划(编号：2020YFD1100601)；国家级大学生创新创业训练计划(编号：202210712195)。
作者简介：黄铝文(1976—)，男，湖南湘乡人，博士，副教授，博士生导师，主要从事生物图像处理、机器人控制技术研究。E-mail：huanglvwen@nwsuaf.edu.cn。

常用功能

更新日期/Last Update: 2023-05-20