|本期目录/Table of Contents|

[1]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):208-215.
　Dai Jiujun,et al.Grape leaf disease identification based on improved residual network[J].Jiangsu Agricultural Sciences,2023,51(5):208-215.
点击复制

基于改进残差网络的葡萄叶片病害识别(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5期
页码:
208-215
栏目:
农业工程与信息技术
出版日期:
2023-03-05

文章信息/Info

Title:
Grape leaf disease identification based on improved residual network
作者:
戴久竣1; 马肄恒1; 吴坚2; 班兆军1
1.浙江科技学院生物与化学工程学院，浙江杭州 310023； 2.浙江科技学院机械与能源工程学院，浙江杭州 310023
Author(s):
Dai Jiujun; et al
关键词:
葡萄病害; 残差网络; 金字塔卷积; 深度超参数化卷积层
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
葡萄病害是导致葡萄严重减产的主要因素，大多数病害症状都反映在葡萄的叶片上，但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络，通过其包含不同大小和不同深度的卷积核来处理输入，然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层，能够加快模型收敛速度，有效提升模型精度。结果表明，改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比，在准确性方面具有显著优势。与原模型相比较，识别准确率提高3.18百分比，改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。
Abstract:
-

参考文献/References:

［1］Sellitto V M，Zara S，Fracchetti F，et al. Microbial biocontrol as an alternative to synthetic fungicides：boundaries between pre-and postharvest applications on vegetables and fruits［J］. Fermentation，2021，7(2)：60.
［2］陈之射，阳威. 计算机视觉及网络领域中人工智能的运用［J］. 华东科技，2022(1)：108-110.
［3］冯硕，李旗. 奇异果采摘机器人机械臂控制系统研究：基于计算机视觉和卷积神经网络［J］. 农机化研究，2022，44(10)：25-29.
［4］安鹤峰. 计算机视觉在作物根系识别与分析中的应用［J］. 农业科技与装备，2021(4)：45-46.
［5］孙仕亮，赵静. 模式识别与机器学习［J］. 计算机教育，2020(11)：2.
［6］陈荣，李旺，周文玉. 基于形状特征和支持向量机(SVM)的茶叶病害识别方法［J］. 贵州农业科学，2021，49(4)：53-59.
［7］王聃，柴秀娟. 机器学习在植物病害识别研究中的应用［J］. 中国农机化学报，2019，40(9)：171-180.
［8］周惠汝，吴波明. 深度学习在作物病害图像识别方面应用的研究进展［J］. 中国农业科技导报，2021，23(5)：61-68.
［9］孙红，李松，李民赞，等. 农业信息成像感知与深度学习应用研究进展［J］. 农业机械学报，2020，51(5)：1-17.
［10］刘慧力，贾洪雷，王刚，等. 基于深度学习与图像处理的玉米茎秆识别方法与试验［J］. 农业机械学报，2020，51(4)：207-215.
［11］Boulent J，Foucher S，Théau J，et al. Convolutional neural networks for the automatic identification of plant diseases［J］. Frontiers in Plant Science，2019，10：941.
［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］牛学德，高丙朋，南新元，等. 基于改进DenseNet卷积神经网络的番茄叶片病害检测［J］. 江苏农业学报，2022，38(1)：129-134.
［14］Jaisakthi S M，Mirunalini P，Thenmozhi D，et al. Grape leaf disease identification using machine learning techniques［C］//2019 International Conference on Computational Intelligence in Data Science (ICCIDS).Chennai，India：IEEE，2019：1-6.
［15］刘峻，孙美艳，焦中元，等. 基于全局阈值迭代的苹果图像分割计数方法［J］. 安徽农业科学，2018，46(29)：180-182，186.
［16］Singh U，Srivastava A，Chauhan D，et al. Computer vision technique for detection of grape esca (black measles) disease from grape leaf samples［C］//2020 International Conference on Contemporary Computing and Applications (IC3A).Lucknow，India：IEEE，2020：110-115.
［17］Arya S，Singh R. A comparative study of CNN and AlexNet for detection of disease in potato and mango leaf［C］//2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT).Ghaziabad，India：IEEE，2019：1-6.
［18］Chao X F，Sun G Y，Zhao H K，et al. Identification of apple tree leaf diseases based on deep learning models［J］. Symmetry，2020，12(7)：1065.
［19］Kaur M，Bhatia R.Development of an improved tomato leaf disease detection and classification method［C］//2019 IEEE Conference on Information and Communication Technology.Allahabad，India：IEEE，2019：1-5.
［20］李彧，余心杰，郭俊先. 基于全卷积神经网络方法的玉米田间杂草识别［J］. 江苏农业科学，2022，50(6)：93-100.
［21］Tahir M B，Khan M A，Javed K，et al. WITHDRAWN：recognition of apple leaf diseases using deep learning and variances-controlled features reduction［J］. Microprocessors and Microsystems，2021：104027.
［22］Zhang Q C，Bai C C，Liu Z，et al. A GPU-based residual network for medical image classification in smart medicine［J］. Information Sciences，2020，536：91-100.
［23］Zu D W，Zhang F，Wu Q L，et al. Disease identification of Lentinus edodes sticks based on deep learning model［J］. Complexity，2022，2022：9504055.
［24］龙满生，欧阳春娟，刘欢，等. 基于卷积神经网络与迁移学习的油茶病害图像识别［J］. 农业工程学报，2018，34(18)：194-201.
［25］余小东，杨孟辑，张海清，等. 基于迁移学习的农作物病虫害检测方法研究与应用［J］. 农业机械学报，2020，51(10)：252-258.
［26］Liu Y W，Zhang X，Gao Y X，et al. Improved CNN method for crop pest identification based on transfer learning［J］. Computational Intelligence and Neuroscience，2022，2022：9709648.
［27］Krishnamoorthy N，Prasad L，Kumar C et al. Rice leaf diseases prediction using deep neural networks with transfer learning［J］. Environmental Research，2021，198：111275.
［28］许景辉，邵明烨，王一琛，等. 基于迁移学习的卷积神经网络玉米病害图像识别［J］. 农业机械学报，2020，51(2)：230-236，253.

相似文献/References:

[1]王利伟,徐晓辉,苏彦莽,等.基于计算机视觉的葡萄叶部病害识别研究[J].江苏农业科学,2017,45(23):222.
　Wang Liwei,et al.Study on recognition of grape leaf diseases based on computer vision[J].Jiangsu Agricultural Sciences,2017,45(5):222.
[2]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(5):176.
[3]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.
　Lei Jianyun,et al.Identification of rice pests based on improved residual network[J].Jiangsu Agricultural Sciences,2022,50(5):190.
[4]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(5):187.
[5]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(5):177.
[6]许文燕.基于轻量化神经网络的葡萄叶部病害检测装置研制[J].江苏农业科学,2023,51(19):181.
　Xu Wenyan.Development of grape leaf disease detection device based on lightweight neural network[J].Jiangsu Agricultural Sciences,2023,51(5):181.
[7]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(5):168.
[8]张立强,武玲梅,蒋林利,等.基于改进YOLO v8s的葡萄叶片病害检测[J].江苏农业科学,2024,52(21):221.
　Zhang Liqiang,et al.Detection of grape leaf disease based on improved YOLO v8s[J].Jiangsu Agricultural Sciences,2024,52(5):221.
[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(5):203.
[10]刘宇雄,兰艳亭,陈晓栋.基于级联式分组注意力机制的葡萄病害识别模型[J].江苏农业科学,2025,53(5):121.
　Liu Yuxiong,et al.Grape disease recognition model based on cascaded group attention mechanism[J].Jiangsu Agricultural Sciences,2025,53(5):121.

备注/Memo

备注/Memo:
收稿日期：2022-04-19
基金项目：“十三五”国家重点研发计划(编号：2017YFD0401304)；浙江省重点研发计划(编号：2022C04039)。
作者简介：戴久竣(1996—)，男，浙江台州人，硕士研究生，研究方向为图像处理。E-mail：15968860545@163.com。
通信作者：吴坚，硕士，教授，硕士生导师，研究方向为农业信息学。E-mail：wujian@zust.edu.cn。
更新日期/Last Update: 2023-03-05