[1]李云红,张蕾涛,谢蓉蓉,等.基于AT-DenseNet网络的番茄叶片病害识别方法[J].江苏农业科学,2023,51(21):209-217.
　Li Yunhong,et al.An identification method for tomato leaf disease based on AT-DenseNet network[J].Jiangsu Agricultural Sciences,2023,51(21):209-217.
点击复制

基于AT-DenseNet网络的番茄叶片病害识别方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第21期
页码:
209-217
栏目:
农业工程与信息技术
出版日期:
2023-11-05

文章信息/Info

Title:
An identification method for tomato leaf disease based on AT-DenseNet network
作者:
李云红; 张蕾涛; 谢蓉蓉; 朱景坤; 刘杏瑞
西安工程大学电子信息学院，陕西西安 710048
Author(s):
Li Yunhong; et al
关键词:
DenseNet; 注意力机制; 迁移学习; Focal Loss损失函数; 叶片病害识别
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
针对番茄叶片病害识别方法存在丢失特征信息、易产生过拟合现象和各类样本数据不均匀的问题，提出了基于混合注意力机制的DenseNet的番病叶片病害识别模型AT-DenseNet。该网络模型以DenseNet121为基础，首先，在DenseNet中融入混合注意力机制模块，实现特征复用，并对混合特征赋予不同权重，提高特征提取能力；在分类网络前设计过渡层，匹配特征维度；其次，引入Focal Loss损失函数，专注难分类样本，改善类间样本不均匀问题；然后，采用迁移学习方法，导入预训练权重，重构全连接层，增强模型鲁棒性；最后，在数据增强的辅助作用下，用Plant Village数据集中的6种番茄叶片病害图像进行测试，试验结果表明，本研究提出的AT-DenseNet网络模型在测试集上的准确率可达99.49%，并通过设置消融试验、绘制混淆矩阵等，验证了病害识别模型的有效性，可为番茄叶片的病害识别提供参考。
Abstract:
-

参考文献/References:

［1］张顺，龚怡宏，王进军. 深度卷积神经网络的发展及其在计算机视觉领域的应用［J］. 计算机学报，2019，42(3)：453-482.
［2］Srivastava A，Ma S，Inoue K．Development of a sensor for automatic detection of downey mildew disease［C］//International Conference on Intelligent Mechatronics and Automation，2004：562-567．
［3］Mondal D，Chakraborty A，Kole D K，et al. Detection and classification technique of yellow vein mosaic virus disease in okra leaf images using leaf vein extraction and Naive Bayesian classifier［C］//International Conference on Soft Computing Techniques & Implementations. IEEE，2016.
［4］Chakraborty S，Paul S，Rahat-uz-Zaman M. Prediction of apple leaf diseases using multiclass support vector machine［C］//International Conference on Robotics，Electrical and Signal Processing Techniques (ICREST). IEEE，2021：147-151.
［5］Kurmi Y，Gangwar S，Chaurasia V，et al. Leaf images classification for the crops diseases detection［J］. Multimed Tools Appl，2022，81：8155-8178.
［6］张子昊，王蓉. 基于MobileFaceNet网络改进的人脸识别方法［J］. 北京航空航天大学学报，2020，46(9)：1756-1762.
［7］白志程，李擎，陈鹏，等. 自然场景文本检测技术研究综述［J］. 工程科学学报，2020，42(11)：1433-1448.
［8］Wang G，Sun Y，Wang J X. Automatic image-based plant disease severity estimation using deep learning［J］. Computational Intelligence and Neuroscience，2017，2017：2917536.
［9］Tan W X，Zhao C J，Wu H R. Intelligent alerting for fruit-melon lesion image based on momentum deep learning［J］. Multimedia Tools and Applications，2016，75(24)：16741-16761.
［10］杨红云，万颖，王映龙，等. 基于批归一化与AlexNet网络的水稻病害识别［J］. 激光与光电子学进展，2021，58(6)：164-174.
［11］Syarief M，Setiawan W. Convolutional neural network for maize leaf disease image classification［J］. Telecommunication Computing Electronics and Control，2020，18(3)：1376-1381.
［12］鲍文霞，黄雪峰，胡根生，等. 基于改进卷积神经网络模型的玉米叶部病害识别［J］. 农业工程学报，2021，37(6)：160-167.
［13］王春山，周冀，吴华瑞，等. 改进Multi-scale ResNet的蔬菜叶部病害识别［J］. 农业工程学报，2020，36(20)：209-217.
［14］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，USA，2017：2261-2269.
［15］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.
［16］Zhu H Y，Xie C，Fei Y Q，et al. Attention mechanisms in CNN-based single image super-resolution：a brief review and a new perspective［J］. Electronics，2021，10(10)：1187.
［17］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.
［18］李晓振，徐岩，吴作宏，等. 基于注意力神经网络的番茄叶部病害识别系统［J］. 江苏农业学报，2020，36(3)：561-568.
［19］Zeng W，Li M. Crop leaf disease recognition based on self-attention convolutional neural network［J］. Computers and Electronics in Agriculture，2020，172(1)：105341.
［20］侯金秀，李然，邓红霞，等. 融合通道信息注意力网络的叶片病害识别［J］. 计算机工程与应用，2020，56(23)：124-129.
［21］贾兆红，张袁源，王海涛，等. 基于Res2Net和双线性注意力的番茄病害时期识别方法［J］. 农业机械学报，2022，53(7)：259-266.
［22］胡志伟，杨华，黄济民，等. 基于注意力残差机制的细粒度番茄病害识别［J］. 华南农业大学学报，2019，40(6)：124-132.

相似文献/References:

[1]张会敏,谢泽奇,张善文.基于注意力胶囊网络的作物病害识别方法[J].江苏农业科学,2022,50(6):101.
　Zhang Huimin,et al.Study on crop disease recognition method based on attention capsule network[J].Jiangsu Agricultural Sciences,2022,50(21):101.
[2]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.
　Li Ping,et al.Crop disease detection method based on cross deep learning model[J].Jiangsu Agricultural Sciences,2022,50(21):193.
[3]荣民希,班彬,王智峥,等.基于Macbm-RCNN的叶片周长和面积测量方法[J].江苏农业科学,2022,50(13):199.
　Rong Minxi,et al.Measurement method of leaf circumference and area based on Macbm-RCNN[J].Jiangsu Agricultural Sciences,2022,50(21):199.
[4]崔艳荣,卞珍怡,高英宁.基于生成对抗网络的花卉识别方法[J].江苏农业科学,2022,50(22):200.
　Cui Yanrong,et al.Flower recognition method based on generative adversarial networks[J].Jiangsu Agricultural Sciences,2022,50(21):200.
[5]马驰,吴华瑞,于会山.基于YOLOX的穴盘甘蓝病害检测方法[J].江苏农业科学,2023,51(8):193.
　Ma Chi,et al.Detection method of cabbage disease based on YOLOX[J].Jiangsu Agricultural Sciences,2023,51(21):193.
[6]温艳兰,陈友鹏,王克强,等.基于迁移学习和改进残差网络的复杂背景下害虫图像识别[J].江苏农业科学,2023,51(8):171.
　Wen Yanlan,et al.Recognition of pest images under complex background based on transfer learning and improved residual network[J].Jiangsu Agricultural Sciences,2023,51(21):171.
[7]赵嘉威,田光兆,邱畅,等.基于改进YOLOv4算法的苹果叶片病害检测方法[J].江苏农业科学,2023,51(9):193.
　Zhao Jiawei,et al.Detection method of apple leaf diseases based on improved YOLOv4 algorithm[J].Jiangsu Agricultural Sciences,2023,51(21):193.
[8]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.
　Wen Zhaofa,et al.Field crop disease identification based on lightweight MIE_Net[J].Jiangsu Agricultural Sciences,2023,51(21):176.
[9]沈志豪,刘金江,张建洋.基于改进YOLOX-s的田间麦穗检测及计数[J].江苏农业科学,2023,51(12):164.
　Shen Zhihao,et al.Detection and counting of wheat ears in field based on improved YOLOX-s[J].Jiangsu Agricultural Sciences,2023,51(21):164.
[10]曾晏林,贺壹婷,蔺瑶,等.基于BCE-YOLOv5的苹果叶部病害检测方法[J].江苏农业科学,2023,51(15):155.
　Zeng Yanlin,et al.An apple leaf disease detection method based on BCE-YOLOv5[J].Jiangsu Agricultural Sciences,2023,51(21):155.

备注/Memo

备注/Memo:
收稿日期：2023-02-06
基金项目：陕西省自然科学基础研究重点项目(编号：2022JZ-35)。
作者简介：李云红(1974—)，女，辽宁锦州人，博士，教授，研究方向为红外热像测温技术、图像处理、人工智能、信号与信息处理技术。E-mail：hitliyunhong@163.com。
更新日期/Last Update: 2023-11-05