«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52卷

期数:

2024年第14期

页码:

207-214

栏目:

农业工程与信息技术

出版日期:

2024-07-20

文章信息/Info

Title:

ConvNeXt agricultural weed recognition method based on attention and small square kernel

作者:

杨德龙; 李婧

上海电力大学计算机科学与技术学院，上海 200120

Author(s):

Yang Delong; et al

关键词:

杂草识别; ConvNeXt; GRN正则化策略; 小平方核; 通道注意力

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

针对复杂自然环境下杂草识别准确率不高、泛化和拟合能力较差等问题，提出基于注意力与小平核的ConvNeXt杂草图像识别方法。首先，在ConvNeXt模块中加入GRN正则化策略，有效减少识别过程的过拟合风险，提高模型的泛化能力；其次，提出在所有Block中把7×7的深度可分离卷积分解为有4个平行分支的小平方核，提升对杂草图像的特征提取能力；最后，在ConvNeXt结合上述方法下，引入SENet通道注意力模块，进一步提高模型在通道方向的特征融合，强化杂草特征，构建出杂草识别模型。为验证模型的识别性能，使用公开的9类杂草图像样本进行对比试验，结果表明，与主流模型相比，模型在准确率、精确率、召回率、F₁分数上均表现优异，分别达到96.172%、95��556%、96.478%、96.014%；消融试验结果表明，与基准模型ConvNeXt相比，GRN、小平方核分别提高8.639%、5��691%，SENet在前二者基础上提高了5.174百分点；可视化分析证明，引入的通道注意力能更好关注到杂草特征。该模型可提高杂草识别准确率和对真实环境的泛化能力，为精准防控杂草提供有效的解决方法。

Abstract:

-

参考文献/References:

［1］Tauber M，Gollan B，Schmittner C，et al. Passive precision farming reshapes the agricultural sector［J］. Computer，2023，56(1)：120-124.
［2］李东升，胡文泽，兰玉彬，等. 深度学习在杂草识别领域的研究现状与展望［J］. 中国农机化学报，2022，43(9)：137-144.
［3］赵辉，曹宇航，岳有军，等. 基于改进DenseNet的田间杂草识别［J］. 农业工程学报，2021，37(18)：136-142.
［4］疏雅丽，张国伟，王博，等. 基于深层连接注意力机制的田间杂草识别方法［J］. 计算机工程与应用，2022，58(6)：271-277.
［5］曲福恒，李婉婷，杨勇，等. 基于图像增强和注意力机制的作物杂草识别［J］. 计算机工程与设计，2023，44(3)：815-821.
［6］Olsen A，Konovalov D A，Philippa B，et al. DeepWeeds：a multiclass weed species image dataset for deep learning［J］. Scientific Reports，2019，9：2058.
［7］Liu Z，Mao H Z，Wu C Y，et al. A ConvNet for the 2020s［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans：IEEE，2022：11966-11976.
［8］Woo S，Debnath S，Hu R H，et al. ConvNeXt v2：co-designing and scaling ConvNets with masked autoencoders［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver：IEEE，2023：16133-16142.
［9］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：7132-7141.
［10］Yu W H，Zhou P，Yan S C，et al. InceptionNeXt：when inception meets ConvNeXt［EB/OL］. ［2022-11-12］. http：//arxiv.org/abs/2303.16900.
［11］Alom M Z，Taha T M，Yakopcic C，et al. The history began from AlexNet：a comprehensive survey on deep learning approaches［EB/OL］. ［2022-11-12］. http：//arxiv.org/abs/1803.01164.
［12］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas：IEEE，2016：2818-2826.
［13］Yu W，Yang K，Bai Y，et al. Visualizing and comparing AlexNet and VGG using deconvolutional layers［C］//Proceedings of the 33rd International Conference on Machine Learning，2016.
［14］Xia X L，Xu C，Nan B. Inception-v3 for flower classification［C］//2017 2nd International Conference on Image，Vision and Computing. Chengdu：IEEE，2017：783-787.
［15］Ma N N，Zhang X Y，Zheng H T，et al. ShuffleNet v2：practical guidelines for efficient CNN architecture design［C］//Computer Vision -ECCV 2018 of Munich：ACM，2018：122-138.
［16］Loshchilov I，Hutter F. Decoupled weight decay regularization［EB/OL］. ［2022-11-12］. http：//arxiv.org/abs/1711.05101.
［17］You Y，Gitman I，Ginsburg B. Large batch training of convolutional networks［EB/OL］. ［2022-11-12］. http：//arxiv.org/abs/1708.03888.
［18］李文举，苏攀，崔柳. 基于随机扰动的过拟合抑制算法［J］. 计算机仿真，2022，39(5)：134-138.
［19］Ho Y，Wookey S.The real-world-weight cross-entropy loss function：modeling the costs of mislabeling［J］. IEEE Access，2020，8：4806-4813.
［20］王改华，翟乾宇，曹清程，等. 基于MoblieNet v2的图像语义分割网络［J］. 陕西科技大学学报，2022，40(1)：174-181.
［21］朱炳宇，刘朕，张景祥.融合Grad-CAM和卷积神经网络的COVID-19检测算法［J］. 计算机科学与探索，2022，16(9)：2108-2120.

相似文献/References:

[1]胡盈盈,王瑞燕,郭鹏涛,等.基于近地光谱特征的玉米田间杂草识别研究[J].江苏农业科学,2020,48(8):242.
　Hu Yingying,et al.Recognition of weeds in maize fields based on near-earth spectrum characteristics[J].Jiangsu Agricultural Sciences,2020,48(14):242.
[2]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(14):93.
[3]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(14):155.
[4]马晓,邢雪,武青海.基于改进ConvNext的复杂背景下玉米叶片病害分类[J].江苏农业科学,2023,51(19):190.
　Ma Xiao,et al.Maize leaf disease classification under complex background based on improved ConvNext[J].Jiangsu Agricultural Sciences,2023,51(14):190.
[5]李豫晋,沈陆明,何少芳,等.基于改进MobileNet v3的苹果叶片病害识别研究[J].江苏农业科学,2024,52(12):224.
　Li Yujin,et al.Identification of apple leaf diseases based on improved MobileNet v3[J].Jiangsu Agricultural Sciences,2024,52(14):224.
[6]高发瑞,古华宁,张巧玲,等.基于农业大数据和深度学习的稻田杂草识别[J].江苏农业科学,2024,52(18):215.
　Gao Farui,et al.Identification of weeds in rice field based on agricultural big data and deep learning[J].Jiangsu Agricultural Sciences,2024,52(14):215.
[7]黄友锐,王小桥,韩涛,等.基于改进YOLO v8n的甜菜杂草检测算法研究[J].江苏农业科学,2024,52(24):196.
　Huang Yourui,et al.A detection method for sugar beets and weeds based on improved YOLO v8n algorithm[J].Jiangsu Agricultural Sciences,2024,52(14):196.

备注/Memo

备注/Memo:

收稿日期：2023-08-17
基金项目：国家自然科学基金(编号：U1936123)。
作者简介：杨德龙(1999—)，男，河南信阳人，硕士研究生，主要从事深度学习、图像识别研究。E-mail：delongyang@mail.shiep.edu.cn。
通信作者：李婧，博士，副教授，主要从事深度学习、区块链技术研究。E-mail：lijing@shiep.edu.cn。

常用功能

更新日期/Last Update: 2024-07-20