|本期目录/Table of Contents|

[1]彭思绘,汪宇玲.基于P-MobileViT网络的小麦病害分类研究[J].江苏农业科学,2024,52(20):260-267.
　Peng Sihui,et al.Study on wheat disease classification based on P-MobileViT network[J].Jiangsu Agricultural Sciences,2024,52(20):260-267.
点击复制

基于P-MobileViT网络的小麦病害分类研究(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第20期
页码:
260-267
栏目:
病虫害智能检测
出版日期:
2024-10-20

文章信息/Info

Title:
Study on wheat disease classification based on P-MobileViT network
作者:
彭思绘;  汪宇玲
东华理工大学信息工程学院，江西南昌 330013
Author(s):
Peng Sihui; et al
关键词:
小麦病害; 病害分类; MobileViT; 图像分割; PoolFormer
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对小麦病害图像分类方法的识别准确率不理想、模型参数量大等问题，提出一种基于P-MobileViT的小麦病害分类模型。首先对小麦图像进行健康和病害二分类，融合Grabcut算法、大律法对小麦病害图像的病斑区域进行分割；然后将病斑图像输入P-MobileViT分类模型，在其block的局部表征模块中引入深度卷积提取病斑图像的局部特征，在全局表征模块使用PoolFormer结构提取全局特征，以减少模型计算量和参数量；将输入特征图和全局特征叠加后与局部特征进行融合，从而强化模型对特征的分类能力。与经过迁移学习的轻量级深度学习模型MobileViT、ShuffleNet v2、MobileNet v3、GhostNet、EfficientNet v2在公开小麦病害数据集上进行试验对比，结果表明，P-MobileViT模型的准确率达到97.2%，比MobileViT模型高出了2.0百分点，同时参数量、推理时间分别减少了23.1%、31.6%；与其中准确率较高的模型MobileNet v3、GhostNet相比，P-MobileViT模型的准确率也分别提高3.1、3.3百分点，参数量分别减少58.3%、61.5%。在小麦病害分类任务中，P-MobileViT模型实现了识别精度的提升，有效减少了识别时间开销，且降低了模型复杂度。
Abstract:
-

参考文献/References:

［1］Liu W，Wang B，Zhao Z，et al. Historical review and countermeasures of wheat stripe rust epidemics in China［J］. China Plant Prot，2022，42：21-7.
［2］Picon A，Seitz M，Alvarez-Gila A，et al. Crop conditional Convolutional Neural Networks for massive multi-crop plant disease classification over cell phone acquired images taken on real field conditions［J］. Computers and Electronics in Agriculture，2019，167：105093.
［3］焦悦，王思曼，赵喜兰，等. 50个国外小麦品种(系)抗叶锈性鉴定［J］. 河南农业科学，2019，48(12)：79-88.
［4］刁智华，袁万宾，罗雅雯，等. 基于图像处理的小麦白粉病病斑生长模型构建［J］. 中国农机化学报，2019，40(6)：158-161.
［5］Boulent J，Foucher S，Théau J，et al. Convolutional neural networks for the automatic identification of plant diseases［J］. Frontiers in Plant Science，2019，10：941.
［6］孙俊，谭文军，毛罕平，等. 基于改进卷积神经网络的多种植物叶片病害识别［J］. 农业工程学报，2017，33(19)：209-215.
［7］Xiong Y H，Liang L F，Wang L，et al. Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset［J］. Computers and Electronics in Agriculture，2020，177：105712.
［8］Singh P，Verma A，Alex J S R. Disease and pest infection detection in coconut tree through deep learning techniques［J］. Computers and Electronics in Agriculture，2021，182：105986.
［9］顾博，邓蕾蕾，李巍，等. 基于GrabCut算法的玉米病害图像识别方法研究［J］. 中国农机化学报，2019，40(11)：143-149.
［10］陈燕，朱成宇，胡小春，等. 基于改进Unet的小麦茎秆截面参数检测［J］. 农业机械学报，2021，52(7)：169-176.
［11］冯晓，李丹丹，王文君，等. 基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别［J］. 河南农业科学，2021，50(4)：174-80.
［12］Nanni L，Manfè A，Maguolo G，et al. High performing ensemble of convolutional neural networks for insect pest image detection［J］. Ecological Informatics，2022，67：101515.
［13］Khan M K，Ullah M O. Deep transfer learning inspired automatic insect pest recognition［C］//Proceedings of the 3rd international conference on computational sciences and technologies. Jamshoro，Pakistan：Mehran University of Engineering and Technology，2022.
［14］Li C，Zhen T，Li Z H. Image classification of pests with residual neural network based on transfer learning［J］. Applied Sciences，2022，12(9)：4356.
［15］杨非凡，徐伟诚，陈盛德，等. 融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类［J］. 江苏农业科学，2023，51(14)：198-204.
［16］惠巧娟，孙婕. 基于多尺度特征度量元学习的玉米叶片病害识别模型研究［J］. 江苏农业科学，2023，51(9)：199-206.
［17］Khalifa N E M，Loey M，Taha M H N. Insect pests recognition based on deep transfer learning models［J］. J Theor Appl Inf Technol，2020，98(1)：60-68.
［18］Pattnaik G，Shrivastava V K，Parvathi K. Transfer learning-based framework for classification of pest in tomato plants［J］. Applied Artificial Intelligence，2020，34(13)：981-993.
［19］Mehta S，Rastegari M. MobileViT：light-weight，general-purpose，and mobile-friendly vision transformer［EB/OL］. (2021-10-05)［2023-11-01］. https://arxiv.org/abs/2110.02178.
［20］Vaswani A，Shazeer N，Parmar N，et al. Attention is all you need［EB/OL］. (2017-06-12)［2023-11-01］. https：//arxiv.org/abs/1706.03762.
［21］Dosovitskiy A，Beyer L，Kolesnikov A，et al. An image is worth 16×16 words：transformers for image recognition at scale［EB/OL］. (2020-10-22)［2023-11-01］. https://arxiv.org.abs/2010.11929.
［22］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul，Korea (South)：IEEE，2019：1314-1324.
［23］Touvron H，Cord M，Douze M，et al. Training data-efficient image transformers & distillation through attention［EB/OL］. (2020-12-23)［2023-11-01］. https：//arxiv.org/abs/2012.12877.
［24］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-04-17)［2023-11-01］. https：//arxiv.org/abs/1704.04861.
［26］Otsu N. A threshold selection method from gray-level histograms［J］. IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1)：62-66.
［27］Rother C，Kolmogorov V，Blake A. GrabCut：interactive foreground extraction using iterated graph cuts［M］//Seminal Graphics Papers：Pushing the Boundaries，Volume 2.New York，NY，USA：ACM，2023：593-598.

相似文献/References:

[1]张飞云.基于提升小波和学习向量量化神经网络的小麦病害图像识别[J].江苏农业科学,2013,41(05):103.
　Zhang Feiyun.Wheat diseases image recognition based on lifting wavelet and learning vector quantization neural network[J].Jiangsu Agricultural Sciences,2013,41(20):103.

备注/Memo

备注/Memo:
收稿日期：2023-11-24
基金项目：国家自然科学基金(编号：62066003)；国家留学基金(编号：CSC202208360143)；江西省研究生创新专项资金(编号：YC2022-s626)。
作者简介：彭思绘(1997—)，女，安徽池州人，硕士研究生，主要研究方向为计算机视觉。E-mail：pengsh1002@163.com。
通信作者：汪宇玲，博士，教授，硕士生导师，主要从事模式识别与图像处理、计算机视觉研究。E-mail：wangyuling_119@vip.163.com。
更新日期/Last Update: 2024-10-20