[1]姜月明,王健,董光辉,等.基于改进卷积神经网络的苹果叶片病害识别[J].江苏农业科学,2024,52(14):214-221.
　Jiang Yueming,et al.Recognition of apple leaf disease based on improved convolutional neural network[J].Jiangsu Agricultural Sciences,2024,52(14):214-221.
点击复制

基于改进卷积神经网络的苹果叶片病害识别()

《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:
214-221
栏目:
农业工程与信息技术
出版日期:
2024-07-20

文章信息/Info

Title:
Recognition of apple leaf disease based on improved convolutional neural network
作者:
姜月明; 王健; 董光辉; 胡彭元
东北林业大学计算机与控制工程学院，黑龙江哈尔滨 150040
Author(s):
Jiang Yueming; et al
关键词:
病害识别; 卷积神经网络; 迁移学习; 图像识别; VGG16模型
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
为了提高真实条件下苹果叶片病害识别准确度和识别速度，提出了一种基于改进的卷积神经网络苹果叶部病害识别方法，该方法是在卷积神经网络VGG16的基础上进行改进完成的。首先针对5类常见苹果叶片病害图片样本集合，采用数字图像处理算法(如旋转照片角度、增强降低图像亮度和锐度、添加高斯噪声等)进行数据集增强完成原有数据集的扩充，扩充后获得26 377张苹果叶片病害图像，以增加样本多样性，提高模型的泛化能力。通过对叶片病斑特征的差异进行研究，比较了多种高效的卷积神经网络模型架构，最终选出VGG16网络模型作为基础模型，并对其进行改进，通过添加SK模块以及将全连接层改为全局平均池化，提升了模型的识别准确率以及网络稳定性，同时也加快了模型的收敛速度，提升了苹果叶片病害识别速度。试验表明，改进后的VGG16模型识别准确率高达9617%，相对于VGG16模型提升了3.55百分点。试验结果表明，本研究为苹果叶片病害识别提供了一种可行的高性能解决方案，可有效提升苹果叶片病害的识别准确度和速度，也为深度学习和人工智能技术在农业信息化领域的应用探索了新的途径。
Abstract:
-

参考文献/References:

［1］常倩，李瑾. 2000年以来中国苹果产业发展趋势分析［J］. 北方园艺，2021(3)：155-160.
［2］王树桐，王亚南，曹克强. 近年我国重要苹果病害发生概况及研究进展［J］. 植物保护，2018，44(5)：13-25，50.
［3］龙阳，肖小玲. 基于多注意力机制的苹果叶部病害检测方法［J］. 江苏农业科学，2023，51(23)：178-186.
［4］郑加强，徐幼林，张慧春，等. 国内外林业有害生物防治靶标识别技术的研究与展望［J］. 林业科学，2023，59(3)：152-166.
［5］刘敏，周丽. 基于多尺度特征融合网络的苹果病害叶片检测［J］. 中国农机化学报，2023，44(8)：184-190.
［6］刘小玲，崔艳荣. 基于改进轻量化网络MobileNeXt的苹果叶片病害识别方法［J］. 江苏农业科学，2023，51(10)：185-193.
［7］王泽伟，郭福涛，宋莉莉. 基于改进YOLO v7的苹果叶片病害检测研究［J］. 智慧农业导刊，2023，3(12)：1-4.
［8］Pawar S，Shedge S，Panigrahi N，et al. Leaf disease detection of multiple plants using deep learning［C］//2022 International Conference on Machine Learning，Big Data，Cloud and Parallel Computing (COM-IT-CON).Faridabad：IEEE，2022：241-245.
［9］Wu T，Wu G，Tao J. A research review of pest identification and detection based on deep learning［C］//2022 34th Chinese Control and Decision Conference (CCDC).Hefei，China.IEEE，2022：6075-6079.
［10］Kumar P，Misra U. Deep learning for weed detection：exploring YOLO v8 algorithms performance in agricultural environments［C］//2024 2nd International Conference on Disruptive Technologies (ICDT).Greater Noida：IEEE，2024：255-258.
［11］Razfar N，True J，Bassiouny R，et al. Weed detection in soybean crops using custom lightweight deep learning models［J］. Journal of Agriculture and Food Research，2022，8：100308.
［12］Lin P，Chen Y M. Detection of strawberry flowers in outdoor field by deep neural network［C］//2018 IEEE 3rd International Conference on Image，Vision and Computing (ICIVC).Chongqing：IEEE，2018：482-486.
［13］许景辉，邵明烨，王一琛，等. 基于迁移学习的卷积神经网络玉米病害图像识别［J］. 农业机械学报，2020，51(2)：230-236，253.
［14］Picon A，Alvarez-Gila A，Seitz M，et al. Deep convolutional neural networks for mobile capture device-based crop disease classification in the wild［J］. Computers and Electronics in Agriculture，2019，161：280-290.
［15］Mohanty S P，Hughes D P，Salathé M. Using deep learning for image-based plant disease detection［J］. Frontiers in Plant Science，2016，7：1419.
［16］Tao Y L. Image style transfer based on VGG neural network model［C］//2022 IEEE International Conference on Advances in Electrical Engineering and Computer Applications (AEECA).Dalian：IEEE，2022：1475-1482.
［17］Zakaria N，Mohamed F，Abdelghani R，et al. Three ResNet deep learning architectures applied in pulmonary pathologies classification［C］//2021 International Conference on Artificial Intelligence for Cyber Security Systems and Privacy (AI-CSP).El Oued：IEEE，2021：1-8.
［18］Zhang K，Guo Y R，Wang X S，et al. Multiple feature reweight DenseNet for image classification［J］. IEEE Access，2019，7：9872-9880.
［19］Sinha D，El-Sharkawy M. Thin MobileNet：an enhanced MobileNet architecture［C］//2019 IEEE 10th Annual Ubiquitous Computing，Electronics & Mobile Communication Conference (UEMCON).New York：IEEE，2019：280-285.
［20］Sladojevic S，Arsenovic M，Anderla A，et al. Deep neural networks based recognition of plant diseases by leaf image classification［J］. Computational Intelligence and Neuroscience，2016，2016：3289801.
［21］龙阳，肖小玲. 基于多注意力机制的苹果叶部病害检测方法［J］. 江苏农业科学，2023，51(23)：178-186.
［22］Ogawa M，Yang Y R. Residual-network-based deep learning for parkinsons disease classification using vocal datasets［C］//2021 IEEE 3rd Global Conference on Life Sciences and Technologies (LifeTech).Nara：IEEE，2021：275-277.

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(14):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(14):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(14):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(14):192.
[5]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(14):241.
[6]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(14):251.
[7]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(14):71.
[8]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(14):85.
[9]魏青迪,范昊,张承明.基于ECLDeeplab模型提取华北地区耕地的方法[J].江苏农业科学,2020,48(04):209.
　Wei Qingdi,et al.A method for extracting cultivated land in North China based on ECLDeeplab model[J].Jiangsu Agricultural Sciences,2020,48(14):209.
[10]陈峰,谷俊涛,李玉磊,等.基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法[J].江苏农业科学,2020,48(18):237.
　Chen Feng,et al.Recognition method of corn pests in northeast cold region based on machine vision and convolutional neural network[J].Jiangsu Agricultural Sciences,2020,48(14):237.
[11]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(14):35.
[12]杜海顺,安文昊,张春海,等.基于综合判别特征学习和中层特征监督的农作物病害识别[J].江苏农业科学,2025,53(14):208.
　Du Haishun,et al.Recognition of crop disease based on comprehensive discriminant feature learning and middle feature supervision[J].Jiangsu Agricultural Sciences,2025,53(14):208.

备注/Memo

备注/Memo:
收稿日期：2023-07-24
基金项目：中央高校基本科研业务费专项资金(编号：2572022BH03)。
作者简介：姜月明(1989—)，女，黑龙江哈尔滨人，博士，讲师，硕士生导师，研究方向为人工智能、智能检测和诊断。E-mail：jym_nefu@nefu.edu.cn。
更新日期/Last Update: 2024-07-20