|本期目录/Table of Contents|

[1]肖天赐,陈燕红,李永可,等.基于改进通道注意力机制的农作物病害识别模型研究[J].江苏农业科学,2023,51(24):168-175.
　Xiao Tianci,et al.Study on crop disease identification model based on improved channel attention mechanism[J].Jiangsu Agricultural Sciences,2023,51(24):168-175.
点击复制

基于改进通道注意力机制的农作物病害识别模型研究(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第24期
页码:
168-175
栏目:
农业工程与信息技术
出版日期:
2023-12-20

文章信息/Info

Title:
Study on crop disease identification model based on improved channel attention mechanism
作者:
肖天赐1; 陈燕红1; 2; 3; 李永可1; 2; 3; 李雨晴1; 罗玉峰4
1.新疆农业大学，新疆乌鲁木齐 830052； 2.智能农业教育部工程研究中心，新疆乌鲁木齐 830052；3.新疆农业信息化工程技术研究中心，新疆乌鲁木齐 830052； 4.社旗县中等职业学校，河南社旗 473399
Author(s):
Xiao Tianci; et al
关键词:
农作物病害识别; 通道注意力机制; 残差网络; 迁移学习; 数据增强
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
准确地识别农作物病害种类、病害程度，是能够正确防治病害的基础，对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题，提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation，EWPRC)结构，该结构将改进的通道注意力机制ECANet3放在残差块之后，增加模型对通道维度的权重学习能力，并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中，通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集，在数据预处理、数据增强、超参数相同的情况下，首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响，在此试验中，模型的准确率随卷积核变大呈下降趋势，其中一维卷积核大小为3的模型准确率最高，达到了8742%，比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比，以准确率、精确率、召回率以及F1值作为评价指标，试验结果证明EWPRC-ResNet-t模型取得了最好的效果，比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点，比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型，EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。
Abstract:
-

参考文献/References:

［1］张珂，冯晓晗，郭玉荣，等. 图像分类的深度卷积神经网络模型综述［J］. 中国图象图形学报，2021，26(10)：2305-2325.
［2］Huo M Y，Tan J. Overview：research progress on pest and disease identification［C］//Suen，Ching Y. Pattern recognition and artificial intelligence. Cham：Springer International Publishing，2020：404-415.
［3］Xu W X，Sun L，Zhen C，et al. Deep learning-based image recognition of agricultural pests［J］. Applied Sciences，2022，12(24)：12896.
［4］Bondre S，Patil D. Recent advances in agricultural disease image recognition technologies：a review［J］. Concurrency and Computation(Practice and Experience)，2023，35(9)：e7644.
［5］Yuan Y，Chen L，Wu H R，et al. Advanced agricultural disease image recognition technologies：a review［J］. Information Processing in Agriculture，2022，9(1)：48-59.
［6］Huang M L，Chuang T C，Liao Y C. Application of transfer learning and image augmentation technology for tomato pest identification［J］. Sustainable Computing(Informatics and Systems)，2022，33：100646.
［7］Kathiresan G，Anirudh M，Nagharjun M，et al. Disease detection in rice leaves using transfer learning techniques［J］. Journal of Physics(Conference Series)，2021，1911(1)：012004.
［8］Tirkey D，Singh K K，Tripathi S. Performance analysis of AI-based solutions for crop disease identification，detection，and classification［J］. Smart Agricultural Technology，2023，5：100238.
［9］Agarwal M，Gupta S K，Biswas K K. Development of efficient CNN model for tomato crop disease identification［J］. Sustainable Computing(Informatics and Systems)，2020，28：100407.
［10］Wang C F，Ni P，Cao M Y. Research on crop disease recognition based on Multi-Branch ResNet-18［J］. Journal of Physics(Conference Series)，2021，1961(1)：012009.
［11］Thakur P S，Sheorey T，Ojha A. VGG-ICNN：a lightweight CNN model for crop disease identification［J］. Multimedia Tools and Applications，2023，82(1)：497-520.
［12］高荣华，白强，王荣，等. 改进注意力机制的多叉树网络多作物早期病害识别方法［J］. 计算机科学，2022，49(增刊1)：363-369.
［13］姜红花，杨祥海，丁睿柔，等. 基于改进ResNet18的苹果叶部病害多分类算法研究［J］. 农业机械学报，2023，54(4)：295-303.
［14］Hu J，Shen L，Sun G，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42(8)：2011-2023.
［15］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［C］//European Conference on Computer Vision.Cham：Springer，2018：3-19.
［16］Fu J，Liu J，Tian H J，et al. Dual attention network for scene segmentation［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach，2020：3141-3149.
［17］Chen Y P，Kalantidis Y，Li J S，et al. A2-nets：double attention networks［EB/OL］. ［2023-04-12］. https：//arxiv.org/abs/1810.11579.
［18］Gao Z L，Xie J T，Wang Q L，et al. Global second-order pooling convolutional networks［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach，2020：3019-3028.
［19］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. Seattle，2020：11531-11539.
［20］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. Las Vegas，2016：770-778.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2023-05-09
基金项目：新疆维吾尔自治区重大科技专项(编号：2022A02011)。
作者简介：肖天赐(2000—)，男，河南安阳人，硕士研究生，研究方向为计算机视觉。E-mail：2351175028@qq.com。
通信作者：陈燕红，硕士，副教授，研究方向为视觉-语言智能表征学习，E-mail：cyh@xjau.edu.cn；李永可，硕士，副教授，研究方向为智慧农业，E-mail：lyk@xjau.edu.cn。
更新日期/Last Update: 2023-12-20