[1]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):176-184.
　Wen Zhaofa,et al.Field crop disease identification based on lightweight MIE_Net[J].Jiangsu Agricultural Sciences,2023,51(10):176-184.
点击复制

基于轻量级MIE_Net的田间农作物病害识别()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第10期
页码:
176-184
栏目:
农业工程与信息技术
出版日期:
2023-05-20

文章信息/Info

Title:
Field crop disease identification based on lightweight MIE_Net
作者:
温钊发; 蒲智; 程曦; 赵昀杰; 张泽宇
新疆农业大学计算机与信息工程学院，新疆乌鲁木齐 830052
Author(s):
Wen Zhaofa; et al
关键词:
病害识别; 轻量级网络; 注意力机制; 多尺度特征
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
为实现农作物病害的快速精准识别，降低病害对农业安全生产的影响，本研究针对现有病害识别模型参数量大、鲁棒性低、泛化性弱等问题提出了轻量级MIE_Net农作物病害识别网络。该网络以MobileNetV2为基础网络结构，首先使用多尺度特征提取模块替换原网络的初始卷积层，提高网络对不同面积病斑的特征提取能力，增加网络中的特征复杂度；其次在主模块中添加ECA注意力机制，提高网络对叶片病害区域的关注程度，降低复杂背景对小病斑特征提取过程的影响；最后使用Swish激活函数增加网络的表达能力，使网络性能达到最优。结果表明，多尺度特征提取模块提高了模型对不同病斑大小的识别准确率，ECA注意力模块提高了网络对小病斑的识别准确率，最终网络模型对复杂环境中2种作物11种病害类别的最低识别精确率达到91.2%，总体病害识别准确率达到95.79%，比原网络提高1.84百分点，参数量为2.24 M，权重文件大小为8.78 MB。MIE_Net网络在保证模型轻量化的同时提高了模型的准确性、泛化性以及鲁棒性，整体性能优于其他现有网络模型，为以后的轻量级作物病害识别方法提供了参考。
Abstract:
-

参考文献/References:

［1］Food and Agriculture Organization of the United Nation. Plant health and food security［EB/OL］. (2020-06-04)［2022-03-03］. https：//www.fao.org/3/i7829en/I7829EN.pdf.
［2］刘杰，姜玉英，黄冲，等. 2021年全国粮食作物重大病虫害发生趋势预报［J］. 中国植保导刊，2021，41(1)：37-39，42.
［3］2021年其他一类农作物病虫害全国发生趋势预报［J］. 农民文摘，2021(3)：47.
［4］蒲秀夫，宁芊，雷印杰，等. 基于二值化卷积神经网络的农业病虫害识别［J］. 中国农机化学报，2020，41(2)：177-182.
［5］Tang Z，Yang J L，Li Z，et al. Grape disease image classification based on lightweight convolution neural networks and channelwise attention［J］. Computers and Electronics in Agriculture，2020，178：105735.
［6］Ni P，Chen Z，Cao M Y. Research on crop disease recognition based on uniting multi-layer features［J］. Journal of Physics，2021，1961(1)：012030.
［7］Huang G，Liu Z，van der Maaten L，et al. Densely connected convolutional networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu：IEEE，2017.
［8］胡玲艳，周婷，许巍，等. 面向番茄病害识别的改进型SqueezeNet轻量级模型［J］. 郑州大学学报(理学版)，2022，54(4)：71-77.
［9］孙文斌，王荣，高荣华，等. 基于可见光谱和改进注意力的农作物病害识别［J］. 光谱学与光谱分析，2022，42(5)：1572-1580.
［10］李昊，刘海隆，刘生龙. 基于深度学习的柑橘病虫害动态识别系统研发［J］. 中国农机化学报，2021，42(9)：195-201，208.
［11］孙俊，朱伟栋，罗元秋，等. 基于改进MobileNet-V2的田间农作物叶片病害识别［J］. 农业工程学报，2021，37(22)：161-169.
［12］黄林生，罗耀武，杨小冬，等. 基于注意力机制和多尺度残差网络的农作物病害识别［J］. 农业机械学报，2021，52(10)：264-271.
［13］林建吾，张欣，陈孝玉龙，等. 基于轻量化卷积神经网络的番茄病害图像识别［J］. 无线电工程，2022，52(8)：1347-1353.
［14］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.
［15］Sandler M，Howard A，Zhu M L，et al. MobileNetV2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.
［16］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-04-17)［2022-03-05］. https：//arxiv.org/abs/1704.04861
［17］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［EB/OL］. (2015-12-10)［2022-03-05］. https：//arxiv.org/pdf/1512.03385.pdf.
［18］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston：IEEE，2015.
［19］Hu J，Shen L，Albanie S，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42(8)：2011-2023.
［20］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 (CVPR). Seattle：IEEE，2020.

相似文献/References:

[1]徐凯宏,米雅婷,谷志新.基于GA-BP神经网络的温室番茄病害诊断[J].江苏农业科学,2016,44(04):387.
　Xu Kaihong,et al.Diagnosis of tomato disease in greenhouse based on GA-BP network[J].Jiangsu Agricultural Sciences,2016,44(10):387.
[2]张会敏,张云龙,张善文,等.基于区分矩阵的属性约简算法的作物病害识别方法[J].江苏农业科学,2015,43(01):387.
　Zhang Huimin,et al.A crop disease recognition method based on attribute reduction of discernibility matrix[J].Jiangsu Agricultural Sciences,2015,43(10):387.
[3]张云龙,袁浩,张晴晴,等.基于颜色特征和差直方图的苹果叶部病害识别方法[J].江苏农业科学,2017,45(14):171.
　Zhang Yunlong,et al.Apple leaf disease recognition based on color characteristics and differential histogram[J].Jiangsu Agricultural Sciences,2017,45(10):171.
[4]刁智华,刁春迎,魏玉泉,等.机器人系统中小麦病害识别与施药算法研究[J].江苏农业科学,2017,45(17):192.
　Diao Zhihua,et al.Study on wheat disease identification and spraying algorithm in robot system[J].Jiangsu Agricultural Sciences,2017,45(10):192.
[5]刁智华,袁万宾,刁春迎,等.病害特征在作物病害识别中的应用研究综述[J].江苏农业科学,2019,47(05):71.
　Diao Zhihua,et al.Application of disease characteristics in crop disease identification：a review[J].Jiangsu Agricultural Sciences,2019,47(10):71.
[6]林彬彬,邱新法,何永健,等.茶树病害智能诊断识别算法研究[J].江苏农业科学,2019,47(06):85.
　Lin Binbin,et al.Study on intelligent diagnosis and recognition algorithm for tea diseases[J].Jiangsu Agricultural Sciences,2019,47(10):85.
[7]何前,郭峰林,方皓正,等.基于改进LeNet-5模型的玉米病害识别[J].江苏农业科学,2022,50(20):35.
　He Qian,et al.Study on maize disease recognition based on improved LeNet-5 model[J].Jiangsu Agricultural Sciences,2022,50(10):35.
[8]孙长兰,林海峰.一种基于集成学习的苹果叶片病害检测方法[J].江苏农业科学,2022,50(20):41.
　Sun Changlan,et al.An apple tree leaf disease detection method based on ensemble learning[J].Jiangsu Agricultural Sciences,2022,50(10):41.
[9]王慧,李康顺,蔡铁,等.基于约束性多目标优化算法的柑橘黄龙病识别算法[J].江苏农业科学,2023,51(6):159.
　Wang Hui,et al.Citrus Huanglongbing recognition algorithm based on constrained multi-objective optimization algorithm[J].Jiangsu Agricultural Sciences,2023,51(10):159.
[10]王哲豪,范丽丽,何前.基于MobileNet V2和迁移学习的番茄病害识别[J].江苏农业科学,2023,51(9):215.
　Wang Zhehao,et al.Recognition of tomato disease based on transfer learning and MobileNet V2[J].Jiangsu Agricultural Sciences,2023,51(10):215.

备注/Memo

备注/Memo:
收稿日期：2022-07-07
基金项目：国家自然科学基金(编号：62161048)。
作者简介：温钊发(1996—)，男，陕西宝鸡人，硕士研究生，主要从事计算机视觉研究。E-mail：320203315@xjau.edu.cn。
通信作者：蒲智，博士，副教授，主要从事计算机应用研究。E-mail：869831699@qq.com。
更新日期/Last Update: 2023-05-20