«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20期

页码:

173-180

栏目:

杂草智能检测

出版日期:

2024-10-20

文章信息/Info

Title:

Ghost-MobileNet v2： a new lightweight identification model for weeds in maize field

作者:

许爽²; 杨乐¹; 刘婷¹

1.江西农业大学计算机与信息工程学院，江西南昌 330045； 2.江西农业大学软件学院，江西南昌 330045

Author(s):

Xu Shuang; et al

关键词:

深度学习; 玉米; 杂草; Ghost-MobileNet v2; 注意力机制

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

农田杂草种类繁多、生命力强、危害作物的各个生长周期，对现代化农业生产依旧具有极大的影响。为了协助农业生产中的杂草防治工作，对杂草准确、无损、高效识别，将深度学习与农业结合，利用深度学习技术对玉米田中的杂草进行识别和分类，从而为玉米田杂草治理提供技术支持。针对经典卷积神经网络计算量大、准确率低、训练时间长等问题，提出了一种基于MobileNet v2轻量级网络的玉米田杂草识别新模型Ghost-MobileNet v2。该模型以MobileNet v2为基础，加入Ghost模块强化信息流动、提升特征表达能力；再加入SE-CBAM注意力机制，该注意力机制由SE注意力机制和CBAM注意力机制并联组合而成，在通道和空间2个维度上综合考虑特征的重要性，更全面地捕捉图像特征，从而提升网络的表达能力和泛化能力。试验结果表明，与其他经典的模型和先进的多尺度模型相比，Ghost-MobileNet v2对玉米田杂草有更好的分类效果，平均准确率达到了99.00%，高于原模型的97.58%。通过精确率、召回率、F₁分数等3个评价指标，得出Ghost-MobileNet v2具有鲁棒性好、稳定性高、识别率高等特点，将该网络与现实农业生产中玉米田杂草防治工作相结合，可以有效地提高工作效率。

Abstract:

-

参考文献/References:

［1］Al-Gaashani M S A M，Shang F，El-Latif A A A. Ensemble learning of lightweight deep convolutional neural networks for crop disease image detection［J］. Journal of Circuits，Systems and Computers，2023，32(5)：2350086.
［2］Chen J，Zhang D，Suzauddola M，et al. Identification of plant disease images via a squeeze-and-excitation MobileNet model and twice transfer learning［J］. IET Image Processing，2021，15：1115-1127.
［3］Senan N，Aamir M，Ibrahim R，et al. An efficient convolutional neural network for paddy leaf disease and pest classification［J］. International Journal of Advanced Computer Science and Applications，2020，11(7)：116-122.
［4］Zhu S，Ma W，Lu J，et al. A novel approach for apple leaf disease image segmentation in complex scenes based on two-stage DeepLab v3+ with adaptive loss［J］. Computers and Electronics in Agriculture，2023，204： 107539.
［5］Kim H，Kim D. Deep-learning-based strawberry leaf pest classification for sustainable smart farms［J］. Sustainability，2023，15(10)：7931.
［6］Jaiganesh M，SathyaDevi M，Srinivasa Chakravarthy K，et al. Identification of plant species using CNN- Classifier［J］. Journal of Critical Reviews，2020，7(3)：923-931.
［7］Bongulwar D M. Identification of fruits using deep learning approach［J］. IOP Conference Series： Materials Science and Engineering，2021，1049(1)：012004.
［8］Chavan T R，Nandedkar A V. AgroAVNET for crops and weeds classification： a step forward in automatic farming［J］. Computers & Electronics in Agriculture，2018，154：361-372.
［9］Wagle S A，Harikrishnan R. A deep learning-based approach in classification and validation of tomato leaf disease［J］. TS，2021，38(3)：699-709.
［10］Liu Y W，Zhang X，Gao Y X，et al. Improved CNN method for crop pest identification based on transfer learning［J］. Computational Intelligence and Neuroscience，2022(2022)：9709648.
［11］尚建伟，蒋红海，喻刚，等. 基于深度学习的杂草识别系统［J］. 软件导刊，2020，19(7)：127-130.
［12］彭文，兰玉彬，岳学军，等. 基于深度卷积神经网络的水稻田杂草识别研究［J］. 华南农业大学学报，2020，41(6)：75-81.
［13］邓向武，马旭，齐龙，等. 基于卷积神经网络与迁移学习的稻田苗期杂草识别［J］. 农机化研究，2021，43(10)：167-171.
［14］Xu Y L，Zhai Y T，Zhao B，et al. Weed recognition for depthwise separable network based on transfer learning［J］. Intelligent Automation & Soft Computing，2021，27(3)：669-682.
［15］姚思雨，王磊，张宏文. 基于CNN的棉田杂草识别方法［J］. 石河子大学学报(自然科学版)，2023，41(1)：21-26.
［16］陈启，陈慈发，邓向武，等. 基于移动端轻量模型的杂草分类方法研究［J］. 中国农机化学报，2022，43(2)：163-170.
［17］Sandler M，Howard A，Zhu M，et al. MobileNet v2： inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).IEEE，2018：4510-4520.
［18］Han K，Wang Y，Tian Q，et al. GhostNet： more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).IEEE，2020：1577-1586.
［19］Zhang T，Zhang Y N，Xin M L，et al. A light-weight network for small insulator and defect detection using UAV imaging based on improved YOLO v5［J］. Sensors，2023，23(11)：5249.
［20］Zhang X W，Zhao Z X，Ran L Y，et al. FastICENet： a real-time and accurate semantic segmentation model for aerial remote sensing river ice image［J］. Signal Processing，2023，212：109150.
［21］Zhao Y，Sun C，Xu X，et al. RIC-Net： a plant disease classification model based on the fusion of inception and residual structure and embedded attention mechanism［J］. Computers and Electronics in Agriculture，2022，193：106644.
［22］Wang Y C，Li J D，Chen Z M，et al. Ships’ small target detection based on the CBAM-YOLOX algorithm［J］. Journal of Marine Science and Engineering，2022，10(12)：2013.
［23］张会敏，谢泽奇. 基于多尺度注意力卷积神经网络的苹果叶部病害识别方法［J］. 江苏农业科学，2023，51(16)：154-161.
［24］Howard A G，Zhu M，Chen B，et al. MobileNets： efficient convolutional neural networks for mobile vision applications［J］. arXiv，2017，1704.04861v1.
［25］He K，Zhang X，Ren S，et al. Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA，2016： 770-778.
［26］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE，2018：7132-7141.

相似文献/References:

[1]孙建伟.水涝胁迫对玉米细胞保护酶同工酶的影响[J].江苏农业科学,2013,41(04):85.
[2]刘荣,张卫建,齐华,等.密植型玉米“中单909”高产群体结构特征[J].江苏农业科学,2013,41(05):56.
　Liu Rong,et al.Study on high yield population structure of close planting maize cultivar “Zhongdan 909”[J].Jiangsu Agricultural Sciences,2013,41(20):56.
[3]沈浜凯,肖龙云,冯乃杰,等.黄腐酸和AM真菌对玉米幼苗抗旱性的影响[J].江苏农业科学,2013,41(05):64.
　Shen Bangkai,et al.Effects of fulvic acid and AM fungi on drought resistance of maize seedlings[J].Jiangsu Agricultural Sciences,2013,41(20):64.
[4]张金然,缑艳霞,孙丽鹏.固氮螺菌157对玉米、向日葵的促生长作用[J].江苏农业科学,2014,42(12):116.
　Zhang Jinran,et al.Effects of Azospirillum 157 on growth of maize and sunflower[J].Jiangsu Agricultural Sciences,2014,42(20):116.
[5]白小军,吴燕,牛艳,等.玉米中乙草胺和莠去津残留量GC-MS/MS分析法的建立[J].江苏农业科学,2014,42(11):334.
　Bai Xiaojun,et al().Establishment of GC-MS/MS analysis method of acetochlor and atrazine residues in maize[J].Jiangsu Agricultural Sciences,2014,42(20):334.
[6]邹晓威,王娜,刘芬,等.玉米抗病相关基因在玉米与玉米丝黑穗病菌、玉米黑粉病菌互作过程中的表达差异分析[J].江苏农业科学,2014,42(11):150.
　Zou Xiaowei,et al(0).Different expression of resistance-related genes between Sporisorium reilianum and Ustilago maydis interact with corn[J].Jiangsu Agricultural Sciences,2014,42(20):150.
[7]杨洪兴,陈静,陈艳萍.江苏省玉米机械化生产的发展及育种对策思考[J].江苏农业科学,2014,42(11):116.
　Yang Hongxing,et al().Development and breeding strategy of mechanized production of maize in Jiangsu Province[J].Jiangsu Agricultural Sciences,2014,42(20):116.
[8]张丽妍,霍剑锋,孟繁盛,等.不同肥料、施肥水平及施用方法对玉米产量、性状及效益的影响[J].江苏农业科学,2014,42(11):119.
　Zhang Liyan,et al (9).Effects of different fertilizers，fertilizer levels and fertilizing methods on yield，characters and benefit of maize[J].Jiangsu Agricultural Sciences,2014,42(20):119.
[9]王雷,崔震海,张立军.玉米C4型PEPC全长基因的克隆与表达载体构建[J].江苏农业科学,2014,42(11):26.
　Wang Lei,et al().Cloning and expression vector construction of full-length C4 type PEPC gene in maize[J].Jiangsu Agricultural Sciences,2014,42(20):26.
[10]雷恩,赵光明,刘艳红.不同稀释浓度松土保水剂对玉米营养生长的影响[J].江苏农业科学,2013,41(06):77.
　Lei En,et al.Effect of different dilutions of super absorbent polymer on vegetative growth of maize[J].Jiangsu Agricultural Sciences,2013,41(20):77.
[11]杨琳琳,别书凡,王建坤,等.基于深度学习的玉米植株表型检测方法研究[J].江苏农业科学,2023,51(19):165.
　Yang Linlin,et al.Study on phenotypic detection method for corn plants based on deep learning[J].Jiangsu Agricultural Sciences,2023,51(20):165.
[12]吕伟,宋轩,杨欢.基于深度学习和多源遥感数据的玉米种植面积提取[J].江苏农业科学,2023,51(23):171.
　Lyu Wei,et al.Extraction of maize planting area based on deep learning and multi-source remote sensing data[J].Jiangsu Agricultural Sciences,2023,51(20):171.
[13]贾海峰,王廷超,洪小丽,等.基于双解码机制的田间玉米冠层图像分割及昼夜节律解析[J].江苏农业科学,2023,51(24):184.
　Jia Haifeng,et al.Field maize canopy image segmentation and circadian rhythms analysis based on double decoding mechanism[J].Jiangsu Agricultural Sciences,2023,51(20):184.
[14]张友为,王鑫鑫,范晓飞.基于深度学习的玉米和番茄病虫害检测技术研究进展[J].江苏农业科学,2024,52(10):10.
　Zhang Youwei,et al.Research progress on corn and tomato diseases and pests detection technology based on deep learning[J].Jiangsu Agricultural Sciences,2024,52(20):10.

备注/Memo

备注/Memo:

收稿日期：2023-12-16
基金项目：国家自然科学基金(编号：61862032)；江西省自然科学基金(编号：20202BABL202034)。
作者简介：许爽(1998—)，男，湖北孝感人，硕士研究生，主要从事农业信息技术研究。E-mail：1078828268@qq.com。
通信作者：杨乐，硕士，副教授，硕士生导师，主要从事农业信息技术、深度学习等研究。E-mail：jxnzhyangle@163.com。

常用功能

更新日期/Last Update: 2024-10-20