«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20期

页码:

211-217

栏目:

农业工程与信息技术

出版日期:

2023-10-20

文章信息/Info

Title:

A new method for rice disease identification by combining CNN and BiLSTM

作者:

路阳¹; 2; 刘婉婷¹; 林立媛¹; 张欣梦¹ ; 管闯²; 3; 4

1.黑龙江八一农垦大学信息与电气工程学院，黑龙江大庆 163319； 2.东北石油大学黑龙江省网络化与智能控制重点实验室，黑龙江大庆163318；3.东北石油大学人工智能能源研究院，黑龙江大庆 163318； 4.东北石油大学三亚海洋油气研究院，海南三亚 572024

Author(s):

Lu Yang; et al

关键词:

水稻病害; 图像识别; 长短期记忆神经网络; 卷积神经网络; 深度学习

Keywords:

-

分类号:

TP391.41

DOI:

-

文献标志码:

A

摘要:

针对水稻病害图像识别中浅层特征无法记忆、深层特征提取不充分、序列特征鲁棒性较弱等问题，提出一种将CNN与BiLSTM相结合的水稻病害识别新方法。首先，利用卷积神经网络自动提取水稻病害的浅层特征；然后，利用BiLSTM中各个循环单元之间的反馈链接可以充分挖掘和记忆水稻特征序列数据中的上下文相关信息和位置信息的优势，将浅层特征与序列特征结合形成一个新的特征序列，解决了特征无法记忆、提取不足的问题；最后，使用全局平均池化层代替全连接层，以减少参数、防止过拟合。针对自建的水稻病害数据库，试验结果显示：所提出模型的水稻病害平均识别精确率达到了99.38%，与CNN和CNN-LSTM模型相比，所提出模型分别提高0.63、1.38百分点。同时，在召回率和F₁值上也显现出了优势，分别达到99.42%、99.39%。因此，所提出的方法提升了水稻病害识别精确率，可应用于实际的水稻病害诊断中。

Abstract:

-

参考文献/References:

［1］胡培松，圣忠华. 水稻种植业的昨天、今天和明天［EB/OL］. (2021-04-22)［2022-10-20］. http：www.zys.moa.gov.cn/mhsh/202104/t20210422_6366373.htm.
［2］陈宇，路阳，蔡娣，等. 基于SPSO+SVM的水稻叶部病害识别方法研究［J］. 上海农业学报，2021，37(6)：136-142.
［3］陈悦宁，郭士增，张佳岩，等. 基于优化BP神经网络的水稻病害识别算法研究［J］. 电子技术应用，2020，46(9)：85-87，93.
［4］刘婷婷，王婷，胡林. 基于卷积神经网络的水稻纹枯病图像识别［J］. 中国水稻科学，2019，33(1)：90-94.
［5］Saeed Z，Raza A，Qureshi A H，et al. A multi-crop disease detection and classification approach using CNN［C］//2021 International Conference on Robotics and Automation in Industry (ICRAI).October 26-27，2021，Rawalpindi，Pakistan.IEEE，2021：1-6.
［6］David H E，Ramalakshmi K，Gunasekaran H，et al. Literature review of disease detection in tomato leaf using deep learning techniques［C］//2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS).March 19-20，2021，Coimbatore，India.IEEE，2021：274-278.
［7］Banzi J，Abayo T. Plant species identification from leaf images using deep learning models (CNN-LSTM architecture)［J］. Tanzania Journal of Forestry and Nature Conservation，2021，90(3)：93-103.
［8］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).June 7-12，2015，Boston，MA，USA.IEEE，2015：1-9.
［9］薛文龙，于炯，郭志琦，等. 基于特征融合卷积神经网络的端到端加密流量分类［J］. 计算机工程与应用，2021，57(18)：114-121.
［10］Hua Y S，Mou L C，Zhu X X.Recurrently exploring class-wise attention in a hybrid convolutional and bidirectional LSTM network for multi-label aerial image classification［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2019，149(3)：188-199.
［11］Hochreiter S，Schmidhuber J. Long short-term memory［J］. Neural Computation，1997，9(8)：1735-1780.
［12］李丰君，王磊，赵健，等. 基于天气融合和LSTM网络的分布式光伏短期功率预测方法［J］. 中国电力，2022，55(11)：149-154.
［13］Cui Z，Ke R，Pu Z，et al. Deep bidirectional and unidirectional LSTM recurrent neural network for network-wide traffic speed prediction［EB/OL］. (2018-01-07)［2022-10-26］. https：//arxiv.53yu.com/abs/1801.02143.
［14］Ioffe S，Szegedy C. Batch normalization：accelerating deep network training by reducing internal covariate shift［EB/OL］. (2015-02-11)［2022-10-26］. https：//arxiv.org/abs/1502.03167.
［15］黄双萍，孙超，齐龙，等. 基于深度卷积神经网络的水稻穗瘟病检测方法［J］. 农业工程学报，2017，33(20)：169-176.
［16］陈绮丹. 基于卷积神经网络的电驱动总成故障数据分类识别研究［D］. 重庆：重庆理工大学，2020.
［17］Lin M，Chen Q，Yan S C. Network in Network［EB/OL］. (2013-12-16)［2022-10-28］. https：//arxiv.org/abs/1312.4400.
［18］梅莹，尹艺璐，石称华，等. 基于改进VGG卷积神经网络的叶菜霜霉病智能识别算法研究［J］. 上海蔬菜，2021(6)：76-84.
［19］梁杰，陈嘉豪，张雪芹，等. 基于独热编码和卷积神经网络的异常检测［J］. 清华大学学报(自然科学版)，2019，59(7)：523-529.

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：2023-01-27
基金项目：国家自然科学基金(编号：U21A2019、61873058、61933007)；黑龙江省自然科学基金联合引导资助项目(编号：LH2022C061)；黑龙江省博士后科研启动基金(编号：LBH-Q17134)；海南省科技专项(编号：ZDYF2022SHFZ105)；黑龙江省省属高等学校基本科研基金(编号：ZRCPY202020)。
作者简介：路阳(1976—)，男，黑龙江双城人，博士，教授，博士生导师，从事复杂系统智能故障诊断及模式识别技术研究。E-mail：luyanga@sina.com。

常用功能

更新日期/Last Update: 2023-10-20