«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16期

页码:

187-194

栏目:

农业工程与信息技术

出版日期:

2023-08-20

文章信息/Info

Title:

Bean leaf disease identification based on attention mechanism and improved residual module

作者:

鲍浩¹;  张艳¹; 2

1.贵州大学大数据与信息工程学院，贵州贵阳 550025； 2.贵阳学院农产品无损检测工程研究中心，贵州贵阳 550005

Author(s):

Bao Hao; et al

关键词:

角叶斑病; 豆锈病; 卷积神经网络; 注意力机制; 残差网络

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

豆类作物病害的有效识别对于病害的科学防控具有指导意义。针对传统作物病害识别方法效率低、准确率差的不足，利用深度学习方法设计了一种高效的轻量级豆叶病害识别模型，模型由卷积模块与改进的残差模块构成。卷积模块提取图像中的病害特征，在卷积模型中引入注意力机制增强了模型对病害区域的关注，同时降低非病变区域与背景对识别结果的干扰；在原始残差模块中添加更多的卷积层、激活函数与批归一化层得到了改进的残差模块，使得残差模块具有非线性表征和特征提取能力，从而提高模型对于高级病害特征的信息融合能力。结果表明，提出的模型对实际田间拍摄的豆叶病害图像的识别性能均达到99%以上。模型参数量仅为7.4×10⁵，分别为MobileNetV2、ResNet50、VGG16、VGG19以及DenseNet121模型参数量的32.74%、3.14%、5.03%、3.69%、10.51%；模型占用内存仅为8.75 MB，分别为MobileNetV2、ResNet50、VGG16、VGG19以及DenseNet121模型占用内存的33.14%、3.24%、5��21%、3��82%、10.68%。因此，本研究提出的模型具有参数量少、占用内存小以及性能好的优势，为田间环境下的豆叶病害智能识别系统的研发提供了理论基础。

Abstract:

-

参考文献/References:

［1］王宠，蔡健灵，焦玲，等. 豆类食品的合理食用研究［J］. 粮食科技与经济，2020，45(4)：127-129.
［2］马鸾艳. 豆角露地高产栽培及病虫害防治技术探讨［J］. 南方农业，2021，15(32)：48-50.
［3］Ferentinos K P. Deep learning models for plant disease detection and diagnosis［J］. Computers and Electronics in Agriculture，2018，145：311-318.
［4］Lee S H，Goёau H，Bonnet P，et al. Attention-based recurrent neural network for plant disease classification［J］. Frontiers in Plant Science，2020，11：601250.
［5］王美华，吴振鑫，周祖光. 基于注意力改进CBAM的农作物病虫害细粒度识别研究［J］. 农业机械学报，2021，52(4)：239-247.
［6］李萍，邵彧，齐国红，等. 基于跨深度学习模型的作物病害检测方法［J］. 江苏农业科学，2022，50(8)：193-199.
［7］Bahdanau D，Cho K，Bengio Y. Neural machine translation by jointly learning to align and translate［R/OL］. 2014：arXiv：1409.0473.https：//arxiv.org/abs/1409.0473
［8］Zeng W H，Li M. Crop leaf disease recognition based on self-attention convolutional neural network［J］. Computers and Electronics in Agriculture，2020，172：105341.
［9］Karthik R，Hariharan M，Anand S，et al. Attention embedded residual CNN for disease detection in tomato leaves［J］. Applied Soft Computing，2020，86：105933.
［10］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 (CVPR).Las Vegas，NV，USA.IEEE，2016：770-778.
［11］方晨晨，石繁槐. 基于改进深度残差网络的番茄病害图像识别［J］. 计算机应用，2020，40(增刊1)：203-208.
［12］曾伟辉，李淼，李增，等. 基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别［J］. 电子学报，2019，47(9)：1979-1986.
［13］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.
［14］张福玲，张少敏，支力佳，等. 融合注意力机制和特征金字塔网络的CT图像肺结节检测［J］. 中国图象图形学报，2021，26(9)：2156-2170.
［15］李明悦，何乐生，雷晨，等. 基于注意力特征融合的SqueezeNet细粒度图像分类模型［J］. 云南大学学报(自然科学版)，2021，43(5)：868-876.
［16］陈娟，陈良勇，王生生，等. 基于改进残差网络的园林害虫图像识别［J］. 农业机械学报，2019，50(5)：187-195.
［17］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.
［18］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，UT.IEEE，2018：4510-4520.
［19］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［R/OL］. 2014：arXiv：1409.1556.https：//arxiv.org/abs/1409.1556
［20］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，HI.IEEE，2017：4700-4708.
［21］汤文亮，黄梓锋. 基于知识蒸馏的轻量级番茄叶部病害识别模型［J］. 江苏农业学报，2021，37(3)：570-578.
［22］Selvaraju R R，Cogswell M，Das A，et al. Grad-CAM：visual explanations from deep networks via gradient-based localization［C］//2017 IEEE International Conference on Computer Vision (ICCV). Venice：IEEE，2017：618-626.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2022-09-11
基金项目：国家自然科学基金(编号：62141501、62265003)。
作者简介：鲍浩(1998—)，男，贵州安顺人，硕士研究生，研究方向为人工智能、机器学习及其在植物早期疾病的无损检测。E-mail：2662051997@qq.com。
通信作者：张艳，博士，教授，主要从事生物信息无损检测、激光雷达方面的研究。E-mail：Eileen_zy001@sohu.com。

常用功能

更新日期/Last Update: 2023-08-20