|本期目录/Table of Contents|

[1]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.
　Zhang Huimin,et al.Study on crop disease recognition method based on attention capsule network[J].Jiangsu Agricultural Sciences,2022,50(6):101-106.
点击复制

基于注意力胶囊网络的作物病害识别方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第6期
页码:
101-106
栏目:
植物保护
出版日期:
2022-03-20

文章信息/Info

Title:
Study on crop disease recognition method based on attention capsule network
作者:
张会敏1; 2;  谢泽奇1; 2;  张善文1
1.郑州西亚斯学院电子信息工程学院，河南郑州 451150； 2.信阳农林学院信息工程学院，河南信阳 464006
Author(s):
Zhang Huimin; et al
关键词:
作物病害识别; 注意力机制; 胶囊网络; 注意力胶囊网络
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
因病害叶片图像的复杂多变性，较难准确分割病斑图像和提取到鲁棒的病害分类特征。现有的基于卷积神经网络(CNN)的作物病害识别方法通过扩展训练样本来增加大量不同角度、方向的训练样本，从而增强模型的鲁棒性和泛化能力，但需要较长的训练数据和较大的算力，并且对于一些少见的病斑不能准确识别，因此提出一种基于注意力胶囊网络(ACapsNet)的作物病害识别方法。ACapsNet中的注意力机制用于提高CapsNet的训练能力。ACapsNet中的胶囊由多个神经元组成，每个神经元表示图像中特定病斑的各种属性，这些属性能够表达不同类型病斑的形状、颜色、纹理、位置、大小和方向等特征，在复杂黄瓜病害叶片图像数据集上进行交叉验证试验。结果表明，ACapsNet能够有效表达不同病害叶片图像的各种特征，加快网络的训练速度，能够应用于田间复杂场景的作物病害识别系统。
Abstract:
-

参考文献/References:

［1］李成阳. 黄瓜病虫害检测仪关键技术研究［D］. 银川：宁夏大学，2018.
［2］阮超. 冬小麦赤霉病和白粉病多尺度遥感监测［D］. 合肥：安徽大学，2019.
［3］丁莲. 温室黄瓜病害图像识别方法研究及应用［D］. 成都：电子科技大学，2020.
［4］Barbedo J G A.A review on the main challenges in automatic plant disease identification based on visible range images［J］. Biosystems Engineering，2016，144：52-60.
［5］Patil J K，Kumar R.Analysis of content based image retrieval for plant leaf diseases using color，shape and texture features［J］. Engineering in Agriculture，Environment and Food，2017，10(2)：69-78.
［6］Singh V，Misra A K.Detection of plant leaf diseases using image segmentation and soft computing techniques［J］. Information Processing in Agriculture，2017，4(1)：41-49.
［7］马慧琴. 基于多源数据的小麦白粉病遥感监测与预测模型研究［D］. 南京：南京信息工程大学，2017.
［8］张云龙，张会敏，谢泽奇，等. 基于显著区域和PHOG的黄瓜病害识别方法研究［J］. 江苏农业科学，2018，46(22)：246-250.
［9］姚群力，胡显，雷宏. 基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测［J］. 测绘学报，2019，48(10)：1266-1274.
［10］黄守志. 基于多特征多尺度卷积神经网络的目标检测算法研究［D］. 北京：北京邮电大学，2019.
［11］吕昊宇，方睿. 基于多尺度融合的卷积神经网络的杂草幼苗识别［J］. 计算机科学与应用，2020(12)：2406-2418.
［12］马浚诚，杜克明，郑飞翔，等. 基于卷积神经网络的温室黄瓜病害识别系统［J］. 农业工程学报，2018，34(12)：186-192.
［13］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.
［14］Sabour S，Frosst N，Hinton G E. Dynamic routing between capsules［J/OL］. Neural Information Processing Systems，2017：121-130.(2017-11-07)［2021-03-20］.https://proceedings.neurips.cc/paper/2017/file/2cad8fa47bbef282badbb8de5374b894-Paper.pdf#:~:text=Dynamic%20routing%20can%20be%20viewed%20as%20a%20parallel,make%20higher-level%20segmentation%20decisions%20inthe%20domain%20of%20pixels.
［15］Gritsevskiy A，Korablyov M. Capsule networks for low-data transfer learning［J/OL］. Computer Science·ArXiv, 2018. (2018-04-26)［2021-03-20］.https://math.mit.edu/research/highschool/primes/materials/2018/Gritsevskiy.pdf.
［16］Tobing E，Murtaza A，Han K，et al. EP-CapsNet：extending capsule network with inception module for electrophoresis binary classification［C］//18th International Conference on Bioinformatics and Bioengineering.Taichung，2018：327-333.
［17］Xiang C Q，Zhang L，Tang Y，et al. MS-CapsNet：a novel multi-scale capsule network［J］. IEEE Signal Processing Letters，2018，25(12)：1850-1854.
［18］侯金秀，李然，邓红霞，等. 融合通道信息注意力网络的叶片病害识别［J］. 计算机工程与应用，2020，56(23)：124-129.
［19］刘娜，赵慧，包思圆，等. 基于图像处理的黄瓜叶子病害识别系统的研究［J］. 山东工业技术，2018(5)：138.

相似文献/References:

[1]李萍,邵彧,齐国红,等.基于跨深度学习模型的作物病害检测方法[J].江苏农业科学,2022,50(8):193.
　Li Ping,et al.Crop disease detection method based on cross deep learning model[J].Jiangsu Agricultural Sciences,2022,50(6):193.
[2]荣民希,班彬,王智峥,等.基于Macbm-RCNN的叶片周长和面积测量方法[J].江苏农业科学,2022,50(13):199.
　Rong Minxi,et al.Measurement method of leaf circumference and area based on Macbm-RCNN[J].Jiangsu Agricultural Sciences,2022,50(6):199.
[3]崔艳荣,卞珍怡,高英宁.基于生成对抗网络的花卉识别方法[J].江苏农业科学,2022,50(22):200.
　Cui Yanrong,et al.Flower recognition method based on generative adversarial networks[J].Jiangsu Agricultural Sciences,2022,50(6):200.
[4]马驰,吴华瑞,于会山.基于YOLOX的穴盘甘蓝病害检测方法[J].江苏农业科学,2023,51(8):193.
　Ma Chi,et al.Detection method of cabbage disease based on YOLOX[J].Jiangsu Agricultural Sciences,2023,51(6):193.
[5]温艳兰,陈友鹏,王克强,等.基于迁移学习和改进残差网络的复杂背景下害虫图像识别[J].江苏农业科学,2023,51(8):171.
　Wen Yanlan,et al.Recognition of pest images under complex background based on transfer learning and improved residual network[J].Jiangsu Agricultural Sciences,2023,51(6):171.
[6]赵嘉威,田光兆,邱畅,等.基于改进YOLOv4算法的苹果叶片病害检测方法[J].江苏农业科学,2023,51(9):193.
　Zhao Jiawei,et al.Detection method of apple leaf diseases based on improved YOLOv4 algorithm[J].Jiangsu Agricultural Sciences,2023,51(6):193.
[7]温钊发,蒲智,程曦,等.基于轻量级MIE_Net的田间农作物病害识别[J].江苏农业科学,2023,51(10):176.
　Wen Zhaofa,et al.Field crop disease identification based on lightweight MIE_Net[J].Jiangsu Agricultural Sciences,2023,51(6):176.
[8]沈志豪,刘金江,张建洋.基于改进YOLOX-s的田间麦穗检测及计数[J].江苏农业科学,2023,51(12):164.
　Shen Zhihao,et al.Detection and counting of wheat ears in field based on improved YOLOX-s[J].Jiangsu Agricultural Sciences,2023,51(6):164.
[9]曾晏林,贺壹婷,蔺瑶,等.基于BCE-YOLOv5的苹果叶部病害检测方法[J].江苏农业科学,2023,51(15):155.
　Zeng Yanlin,et al.An apple leaf disease detection method based on BCE-YOLOv5[J].Jiangsu Agricultural Sciences,2023,51(6):155.
[10]张会敏,谢泽奇.基于知识图谱与深度学习的黄瓜叶部病害识别方法[J].江苏农业科学,2023,51(15):173.
　Zheng Huimin,et al.Cucumber leaf disease recognition based on knowledge graph and deep learning[J].Jiangsu Agricultural Sciences,2023,51(6):173.

备注/Memo

备注/Memo:
收稿日期：2021-06-05
基金项目：国家自然科学基金(编号：62072378)；河南省教育厅高等学校重点科研项目(编号：20A520045)。
作者简介：张会敏(1981—)，女，河南漯河人，硕士，副教授，研究方向为模式识别应用。E-mail：zhm0413@163.com。
通信作者：张善文，博士，教授，研究方向为模式识别及应用研究。E-mail：wjdw716@163.com。
更新日期/Last Update: 2022-03-20