|本期目录/Table of Contents|

[1]雷建云,陈楚,郑禄,等.基于改进残差网络的水稻害虫识别[J].江苏农业科学,2022,50(14):190-198.
　Lei Jianyun,et al.Identification of rice pests based on improved residual network[J].Jiangsu Agricultural Sciences,2022,50(14):190-198.
点击复制

基于改进残差网络的水稻害虫识别(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14期
页码:
190-198
栏目:
农业工程与信息技术
出版日期:
2022-07-20

文章信息/Info

Title:
Identification of rice pests based on improved residual network
作者:
雷建云; 陈楚; 郑禄; 帖军; 赵捷
中南民族大学计算机科学学院/湖北省制造企业智能管理工程技术研究中心，湖北武汉 430074
Author(s):
Lei Jianyun; et al
关键词:
害虫识别; 残差网络; 胶囊网络; 动态路由; 水稻
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
水稻害虫是影响水稻产量的因素之一，准确识别水稻害虫对提高水稻产量具有重要意义，针对水稻害虫识别准确率不高的问题，提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中，代替残差网络的全连接层，首先通过4个残差块得到特征图，将特征图进行胶囊化编码，其次进行层间路由，以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别，并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明，提出的改进残差网络模型的准确率达到7712%。模型满足水稻害虫图像识别的需求，具有一定的识别准确率及较强的鲁棒性，可为实际农业场景下水稻害虫识别提供可行的方案。
Abstract:
-

参考文献/References:

［1］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.
［2］Xing S L，Lee M，Lee K K. Citrus pests and diseases recognition model using weakly dense connected convolution network［J］. Sensors，2019，19(14)：3195.
［3］Pan W Y，Qin J H，Xiang X Y，et al. A smart mobile diagnosis system for citrus diseases based on densely connected convolutional networks［J］. IEEE Access，2019(7)：87534-87542.
［4］吴翔. 基于机器视觉的害虫识别方法研究［D］. 杭州：浙江大学，2016.
［5］谢成军，李瑞，董伟，等. 基于稀疏编码金字塔模型的农田害虫图像识别［J］. 农业工程学报，2016，32(17)：144-151.
［6］梁万杰，曹宏鑫. 基于卷积神经网络的水稻虫害识别［J］. 江苏农业科学，2017，45(20)：241-243，253.
［7］周爱明. 基于深度学习的农业灯诱害虫自动识别与计数技术的研究［D］. 杭州：浙江理工大学，2019.
［8］Song Y Y，Duan X Y，Ren Y，et al. Identification of the agricultural pests based on deep learning models［C］//International Conference on Machine Learning，Big Data and Business Intelligence. Taiyuan：IEEE，2019.
［9］Thenmozhi K，Srinivasulu R U. Crop pest classification based on deep convolutional neural network and transfer learning［J］. Computers and Electronics in Agriculture，2019，164：104906.
［10］Nanni L，Maguolo G，Pancino F. Insect pest image detection and recognition based on bio-inspired methods［J］. Ecological Informatics，2020，57：101089.
［11］丁永军，张晶晶，李民赞. 基于卷积胶囊网络的百合病害识别研究［J］. 农业机械学报，2020，51(12)：246-251.
［12］李静，陈桂芬，安宇. 基于优化卷积神经网络的玉米螟虫害图像识别［J］. 华南农业大学学报，2020，41(3)：110-116.
［13］Wu X P，Zhan C，Lai Y K，et al. IP102：a large-scale benchmark dataset for insect pest recognition［C］//IEEE/CVF Conference on Computer Vision and Pattern Recognition.Long Beach：IEEE，2019.
［14］Iqbal Z，Khan M A，Sharif M，et al. An automated detection and classification of citrus plant diseases using image processing techniques：a review［J］. Computers and Electronics in Agriculture，2018，153：12-32.
［15］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE，2016.
［16］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)：176-182.
［17］Dong Z Y，Lin S. Research on image classification based on CapsNet［C］//IEEE 4th Advanced Information Technology，Electronic and Automation Control Conference.Chengdu：IEEE，2019.
［18］Choi J，Seo H，Im S，et al. Attention routing between capsules［C］//IEEE/CVF International Conference on Computer Vision Workshop.Seoul：IEEE，2019.
［19］Jampour M，Abbaasi S，Javidi M. CapsNet regularization and its conjugation with ResNet for signature identification［J］. Pattern Recognition，2021，120：107851.
［20］Zomahoun D E. A semantic collaborative clustering approach based on confusion matrix［C］//15th International Conference on Signal-Image Technology & Internet-Based Systems.Sorrento：IEEE，2019.
［21］Malek M A，Reya S S，Hasan M Z，et al. A crop pest classification model using deep learning techniques［C］//2nd International Conference on Robotics，Electrical and Signal Processing Techniques.Dhaka：IEEE，2021.
［22］Stursa D，Dolezel P. Comparison of ReLU and linear saturated activation functions in neural network for universal approximation［C］//22nd International Conference on Process Control (PC19).Strbske Pleso：IEEE，2019.

相似文献/References:

[1]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(14):176.
[2]戴久竣,马肄恒,吴坚,等.基于改进残差网络的葡萄叶片病害识别[J].江苏农业科学,2023,51(5):208.
　Dai Jiujun,et al.Grape leaf disease identification based on improved residual network[J].Jiangsu Agricultural Sciences,2023,51(14):208.
[3]鲍浩,张艳.基于注意力机制与改进残差模块的豆叶病害识别[J].江苏农业科学,2023,51(16):187.
　Bao Hao,et al.Bean leaf disease identification based on attention mechanism and improved residual module[J].Jiangsu Agricultural Sciences,2023,51(14):187.
[4]吴刚正,蔡成岗,朱瑞瑜.基于注意力机制和残差网络的苹果叶片病害分类[J].江苏农业科学,2023,51(18):177.
　Wu Gangzheng,et al.Apple leaf disease classification based on attention mechanism and residual network[J].Jiangsu Agricultural Sciences,2023,51(14):177.
[5]李军,李志伟,李艳红.基于多原型指导的小样本水稻害虫识别与分类[J].江苏农业科学,2023,51(20):193.
　Li Jun,et al.Recognition and classification of rice pests in small samples based on multi-prototype guidance[J].Jiangsu Agricultural Sciences,2023,51(14):193.
[6]吴子炜,夏芳,陆林峰,等.基于改进YOLO v5的水稻主要害虫识别方法[J].江苏农业科学,2023,51(21):218.
　Wu Ziwei,et al.An identification method for rice major pests based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2023,51(14):218.
[7]江顺,黄红星,莫里楠,等.基于改进AlexNet的岭南水稻虫害识别方法研究[J].江苏农业科学,2023,51(23):187.
　Jiang Shun,et al.Study on identification method of Lingnan rice pests based on improved AlexNet[J].Jiangsu Agricultural Sciences,2023,51(14):187.
[8]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.
　Xiao Tianci,et al.Study on crop disease identification model based on improved channel attention mechanism[J].Jiangsu Agricultural Sciences,2023,51(14):168.
[9]黄英来,王奇,何少聪,等.基于改进ResNet101的黄瓜害虫识别方法研究[J].江苏农业科学,2025,53(5):203.
　Huang Yinglai,et al.Study on identification method for cucumber pests based on improved ResNet101[J].Jiangsu Agricultural Sciences,2025,53(14):203.

备注/Memo

备注/Memo:
收稿日期：2021-08-31
基金项目：湖北省技术创新专项(编号：2019ABA101)；教育部科技发展中心高校产学研创新基金“青苔数智融合”协同创新项目(编号：2020QT08)；国家民族事务委员会中青年英才培养计划(编号：MZR20007)；武汉市科技计划应用基础前沿项目(编号：2020020601012267)。
作者简介：雷建云(1972—)，男，浙江文成人，博士，教授，硕士生导师，主要从事图像处理、机器学习研究。E-mail：leijianyun@mail.scuec.edu.cn。
通信作者：郑禄，硕士，讲师，主要从事计算机视觉、深度学习的研究。E-mail：lu2008@mail.scuec.edu.cn。
更新日期/Last Update: 2022-07-20