«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23期

页码:

187-195

栏目:

农业工程与信息技术

出版日期:

2023-12-05

文章信息/Info

Title:

Study on identification method of Lingnan rice pests based on improved AlexNet

作者:

江顺¹; 2; 黄红星¹; 2; 莫里楠¹; 2; 韩威威¹; 2; 高卓君¹; 2; 卓钟洪¹; 2

1.广东省农业科学院农业经济与农村发展研究所，广东广州 510640； 2.农业农村部华南都市农业重点实验室，广东广州 510640

Author(s):

Jiang Shun; et al

关键词:

深度学习; 南方水稻; 害虫识别

Keywords:

-

分类号:

TP391.41

DOI:

-

文献标志码:

A

摘要:

通过改进经典AlexNet深度学习模型在几种典型的水稻害虫识别中的深度不足和过拟合问题，探索出一套泛化能力更强、识别精度与计算效率更加均衡的深度学习网络模型，达到在一定计算资源支持下能适应复杂情境的精准辨识水稻害虫的需求。本研究中AlexNet-enhanced模型经过了以下改进：(1)采用通过缩小卷积核和增加卷积层深度的方式提升对图像深层次特征提取的能力；(2)删除LRN层和删除一个全连接层提升模型计算性能；(3)使用RReLU激活函数改进模型鲁棒性。试验数据使用多种网络数据集和自采集数据，选择稻纵卷叶螟、稻大螟、稻二化螟、稻三化螟、稻飞虱、稻象甲等具有代表性的南方水稻害虫数据作为试验数据，并加入健康水稻影像数据构建试验数据集。选择VGG-16、经典AlexNet、LeNet等3种模型训练作为本研究的对比模型，对4种模型的准确率、混淆矩阵、精确率、召回率、F₁分数等结果参数进行综合比对分析评估模型性能。结果表明：(1)AlexNet-enhanced模型对比经典AlexNet模型在训练时间上有较大升高，但对比VGG-16这类结构更深的神经网络模型具备明显的训练时间优势；(2)与经典AlexNet模型相比，改进后的模型对水稻害虫的识别率有较大的提升，对幼虫的识别率提升更加明显；(3)对试验结果的分析发现4种模型对各类型害虫的成虫识别率均明显高于幼虫。本研究结果表明，改进的AlexNet模型对南方水稻害虫的识别问题有不错的应用效果，可以作为大田间水稻害虫智能识别的有效解决方案；同时，神经网络模型的训练受特征采样条件约束较强，需要对生产中的数据采集设备进行针对性的改进。

Abstract:

-

参考文献/References:

［1］方福平，程式华. 水稻科技与产业发展［J］. 农学学报，2018，8(1)：92-98.
［2］赵正洪，戴力，黄见良，等. 长江中游稻区水稻产业发展现状、问题与建议［J］. 中国水稻科学，2019，33(6)：553-564.
［3］徐春春，纪龙，陈中督，等. 2020年我国水稻产业形势分析及2021年展望［J］. 中国稻米，2021，27(2)：1-4.
［4］王丰，柳武革，刘迪林，等. 广东优质稻发展及稻米品牌建设与展望［J］. 中国稻米，2021，27(4)：107-116.
［5］杨普云，任彬元. 促进农作物病虫害绿色防控技术推广应用：2011至2017年全国农作物重大病虫害防控技术方案要点评述［J］. 植物保护，2018，44(1)：6-8.
［6］全国农业技术推广服务中心. 植物保护统计技术与方法［M］. 北京：中国农业科学技术出版社，2013.
［7］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.
［8］Huo M Y，Tan J. Overview：research progress on pest and disease identification［C］//Lu Y，Vincent N，Yuen P C，et al. International Conference on Pattern Recognition and Artificial Intelligence.Cham：Springer，2020：404-415.
［9］Ayan E，Erbay H，Var�摙cn F. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks［J］. Computers and Electronics in Agriculture，2020，179：105809.
［10］Thenmozhi K，Srinivasulu Reddy U. Crop pest classification based on deep convolutional neural network and transfer learning［J］. Computers and Electronics in Agriculture，2019，164：104906.
［11］傅隆生，宋珍珍，Zhang X，等. 深度学习方法在农业信息中的研究进展与应用现状［J］. 中国农业大学学报，2020，25(2)：105-120.
［12］翁杨，曾睿，吴陈铭，等. 基于深度学习的农业植物表型研究综述［J］. 中国科学(生命科学)，2019，49(6)：698-716.
［13］张善文，邵彧，齐国红，等. 基于多尺度注意力卷积网络的作物害虫检测［J］. 江苏农业学报，2021，37(3)：579-588.
［14］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.
［15］薛勇，王立扬，张瑜，等. 基于GoogLeNet深度迁移学习的苹果缺陷检测方法［J］. 农业机械学报，2020，51(7)：30-35.
［16］张建华，孔繁涛，吴建寨，等. 基于改进VGG卷积神经网络的棉花病害识别模型［J］. 中国农业大学学报，2018，23(11)：161-171.
［17］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.
［18］段仲静，李少波，胡建军，等. 深度学习目标检测方法及其主流框架综述［J］. 激光与光电子学进展，2020，57(12)：59-74.
［19］李炳臻，刘克，顾佼佼，等. 卷积神经网络研究综述［J］. 计算机时代，2021(4)：8-12，17.
［20］严春满，王铖. 卷积神经网络模型发展及应用［J］. 计算机科学与探索，2021，15(1)：27-46.
［21］王旭东，邵惠鹤. RBF神经网络理论及其在控制中的应用［J］. 信息与控制，1997，26(4)：272-284.
［22］李国和，乔英汉，吴卫江，等. 深度学习及其在计算机视觉领域中的应用［J］. 计算机应用研究，2019，36(12)：3521-3529，3564.
［23］朱虎明，李佩，焦李成，等. 深度神经网络并行化研究综述［J］. 计算机学报，2018，41(8)：1861-1881.
［24］杨观赐，杨静，李少波，等. 基于Dopout与ADAM优化器的改进CNN算法［J］. 华中科技大学学报(自然科学版)，2018，46(7)：122-127.
［25］冉鹏，王灵，李昕，等. 改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用［J］. 上海大学学报(自然科学版)，2018，24(3)：352-366.
［26］王功鹏，段萌，牛常勇. 基于卷积神经网络的随机梯度下降算法［J］. 计算机工程与设计，2018，39(2)：441-445，462.
［27］黄毅，段修生，孙世宇，等. 基于改进sigmoid激活函数的深度神经网络训练算法研究［J］. 计算机测量与控制，2017，25(2)：126-129.
［28］刘小文，郭大波，李聪. 卷积神经网络中激活函数的一种改进［J］. 测试技术学报，2019，33(2)：121-125.
［29］王红霞，周家奇，辜承昊，等. 用于图像分类的卷积神经网络中激活函数的设计［J］. 浙江大学学报(工学版)，2019，53(7)：1363-1373.
［30］田娟，李英祥，李彤岩. 激活函数在卷积神经网络中的对比研究［J］. 计算机系统应用，2018，27(7)：43-49.
［31］蒋昂波，王维维. ReLU激活函数优化研究［J］. 传感器与微系统，2018，37(2)：50-52.
［32］王双印，滕国文. 卷积神经网络中ReLU激活函数优化设计［J］. 信息通信，2018，31(1)：42-43.
［33］曲之琳，胡晓飞. 基于改进激活函数的卷积神经网络研究［J］. 计算机技术与发展，2017，27(12)：77-80.

相似文献/References:

[1]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.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(23):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(23):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(23):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(23):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):210.
[6]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(23):22.
[9]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.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(23):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(23):189.

备注/Memo

备注/Memo:

收稿日期：2023-02-24
基金项目：广州市哲学社科十三五规划课题(编号：2018GZZK22)；广东省农业科技创新及推广项目(编号：2019KJ138)；广东省农业科学院院长基金(编号：202033)。
作者简介：江顺(1993—)，男，安徽安庆人，硕士，助理研究员，研究方向为计算智能与农业信息化。E-mail：syun_daybreak@163.com。
通信作者：黄红星，硕士，研究员，研究方向为农业信息化。E-mail：hhx8315@163.com。

常用功能

更新日期/Last Update: 2023-12-05