«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52卷

期数:

2024年第20期

页码:

267-276

栏目:

病虫害智能检测

出版日期:

2024-10-20

文章信息/Info

Title:

A lightweight cucumber disease recognition model based on multiscale feature enhancement

作者:

李帅;  薄敬东;  龚瑞昆;  崔传金

华北理工大学电气工程学院，河北唐山 063210

Author(s):

Li Shuai; et al

关键词:

黄瓜病害; 图像识别; 卷积神经网络; 轻量化; 多尺度特征增强; 空域抑制

Keywords:

-

分类号:

S126；S436.421.1；TP391.41

DOI:

-

文献标志码:

A

摘要:

在复杂的背景环境下对农作物病害进行准确识别与分类，为农作物病害的诊断及防治提供可靠依据，具有重要经济意义。提出了一种新的网络模型——MeNet(multiscale enhance on me)，用于对大田中黄瓜的8种形态(其中包含6种病害和鲜黄瓜、鲜叶)进行精准识别。该模型的设计包括适用于网络前端的特征增强模块，对原始图像进行像素级多尺度特征增强，从而提升模型的特征表达效率；运用特征挑选的思想进行后续的特征提取和增强，再加入基于空域抑制的SimAM注意力，进一步突出了显著特征，提高特征效用；运用逐点卷积对特征图进行通道间信息交互，再以全局平均池化总结特征图。结果表明，相较于其他模型，本研究的MeNet性能更为优越，在复杂背景病害数据集上，平均准确率达到92.38%，最高准确率达到了92.92%，而模型的参数量仅为0.33 M，浮点运算量仅为 0.30 G，证明MeNet模型在图像识别领域具有实际应用的潜力和继续研究的价值。

Abstract:

-

参考文献/References:

［1］陈学新，杜永均，黄健华，等. 我国作物病虫害生物防治研究与应用最新进展［J］. 植物保护，2023，49(5)：340-370.
［2］Li Z W，Liu F，Yang W J，et al. A survey of convolutional neural networks：analysis，applications，and prospects［J］. IEEE Transactions on Neural Networks and Learning Systems，2022，33(12)：6999-7019.
［3］刘阳，高国琴. 采用改进的SqueezeNet模型识别多类叶片病害［J］. 农业工程学报，2021，37(2)：187-195.
［4］孙俊，朱伟栋，罗元秋，等. 基于改进MobileNet v2的田间农作物叶片病害识别［J］. 农业工程学报，2021，37(22)：161-169.
［5］彭红星，徐慧明，刘华鼐. 融合双分支特征和注意力机制的葡萄病虫害识别模型［J］. 农业工程学报，2022，38(10)：156-165.
［6］贾璐，叶中华. 基于注意力机制和特征融合的葡萄病害识别模型［J］. 农业机械学报，2023，54(7)：223-233.
［7］王焕鑫，沈志豪，刘泉，等. 基于改进MobileNet v2模型的农作物叶片病害识别研究［J］. 河南农业科学，2023，52(4)：143-151.
［8］朱学岩，陈锋军，郑一力，等. 融合双线性网络和注意力机制的油橄榄品种识别［J］. 农业工程学报，2023，39(10)：183-192.
［9］杜海顺，张春海，安文昊，等. 基于多层信息融合和显著性特征增强的农作物病害识别［J］. 农业机械学报，2023，54(7)：214-222.
［10］李建威，吕晓琪，谷宇. 基于改进ConvNeXt的皮肤镜图像分类方法［J］. 计算机工程，2023，49(10)：239-246，254.
［11］Chen Z Y，Wu R H，Lin Y Y，et al. Plant disease recognition model based on improved YOLO v5［J］. Agronomy，2022，12(2)：365.
［12］王军，冯孙铖，程勇. 深度学习的轻量化神经网络结构研究综述［J］. 计算机工程，2021，47(8)：1-13.
［13］吴建成，郭荣佐，成嘉伟，等. 注意力特征融合的快速遥感图像目标检测算法［J］. 计算机工程与应用,2024，60(1)：207-216.
［14］Ioffe S，Szegedy C. Batch normalization：Accelerating deep network training by reducing internal covariate shift［C］. 32nd International Conference on Machine Learning，ICML 2015，2015，1：448-456.
［15］齐国红，许新华，师晓丽. 基于多尺度注意力U-Net的结球甘蓝青虫检测方法［J］. 江苏农业学报，2023，39(6)：1349-1357.
［16］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). Seattle，WA，USA.IEEE，2020：11531-11539.
［17］Yang L，Zhang R Y，Li L，et al. Simam：A simple，parameter-free attention module for convolutional neural networks［C］//International conference on machine learning. Virtual：IEEE，2021：11863-11874.
［18］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT.IEEE，2018：4510-4520.
［19］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. (2019-05-28)［2023-11-09］. http：//arxiv.org/abs/1905.11946.
［20］Han K，Wang Y H，Tian Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle，WA，USA.IEEE，2020：1577-1586.
［21］Liu Z，Mao H Z，Wu C Y，et al. A ConvNet for the 2020s［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans，LA，USA.IEEE，2022：11966-11976.

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.
[2]周洪刚,康敏.基于机器视觉的成熟柑橘自动识别研究[J].江苏农业科学,2013,41(06):380.
　Zhou Honggang,et al.Research on automatic recognizing of mature oranges based on machine vision[J].Jiangsu Agricultural Sciences,2013,41(20):380.
[3]刘丽娟,刘仲鹏.基于改进BP算法的玉米叶部病害图像识别研究[J].江苏农业科学,2013,41(11):139.
　Liu Lijuan,et al.Image recognition of maize leaf diseases based on improved BP algorithm[J].Jiangsu Agricultural Sciences,2013,41(20):139.
[4]刘丽娟,刘仲鹏.北方旱育稀植水稻病害图像识别预处理研究[J].江苏农业科学,2014,42(01):92.
　Liu Lijuan,et al.Study on image preprocessing of maize leaf diseases of dry-cultivated and sparse-planting rice in northern China[J].Jiangsu Agricultural Sciences,2014,42(20):92.
[5]何玲,陈长喜,许晓华.基于物联网的生猪屠宰监管系统关键技术研究[J].江苏农业科学,2017,45(06):201.
　He Ling,et al.Study on key technology of pig slaughtering supervision system based on internet of things[J].Jiangsu Agricultural Sciences,2017,45(20):201.
[6]刁智华,魏玉泉,刁春迎,等.基于图像的小麦白粉病形状特征参数优化与提取[J].江苏农业科学,2017,45(21):229.
　Diao Zhihua,et al.Image-based shape parameter optimization and extraction of wheat powdery mildew[J].Jiangsu Agricultural Sciences,2017,45(20):229.
[7]何彦虎,武传宇,童俊华,等.基于专家系统的穴盘苗品种识别算法设计与试验[J].江苏农业科学,2019,47(04):176.
　He Yanhu,et al.Design and experiment of identification algorithm of plug seedling based on expert system[J].Jiangsu Agricultural Sciences,2019,47(20):176.
[8]陶震宇,孙素芬,罗长寿.基于Faster-RCNN的花生害虫图像识别研究[J].江苏农业科学,2019,47(12):247.
　Tao Zhenyu,et al.Study on peanut pest image recognition based on Faster-RCNN[J].Jiangsu Agricultural Sciences,2019,47(20):247.
[9]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(20):22.
[10]谢军,江朝晖,李博,等.基于二次迁移模型的小样本茶树病害识别[J].江苏农业科学,2021,49(6):176.
　Xie Jun,et al.Image recognition of tea plant disease small samples based on secondary migration model[J].Jiangsu Agricultural Sciences,2021,49(20):176.

备注/Memo

备注/Memo:

收稿日期：2023-11-09
基金项目：河北省自然科学基金(编号：F2015209308-PT)；唐山市科技计划项目(编号：20150212C)；河北省高等学校科学技术研究项目(编号：ZD2016070)；河北省省级研究生示范课程建设项目(编号：KCJSX2021061)。
作者简介：李帅(1996—)，男，安徽阜阳人，硕士，主要从事检测技术及智能装置研究。E-mail：ncstlishuai@163.com。
通信作者：龚瑞昆，博士，教授，硕士生导师，主要从事检测技术及智能装置研究。E-mail：ncstgongruikun@163.com。

常用功能

更新日期/Last Update: 2024-10-20