|本期目录/Table of Contents|

[1]董天亮,李佳,马晓,等.基于SC-ConvNeXt网络模型的小麦叶片病害识别方法[J].江苏农业科学,2025,53(5):129-138.
　Dong Tianliang,et al.A wheat leaf disease recognition method based on SC-ConvNeXt network model[J].Jiangsu Agricultural Sciences,2025,53(5):129-138.
点击复制

基于SC-ConvNeXt网络模型的小麦叶片病害识别方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第5期
页码:
129-138
栏目:
病害智能检测
出版日期:
2025-03-05

文章信息/Info

Title:
A wheat leaf disease recognition method based on SC-ConvNeXt network model
作者:
董天亮1; 李佳1; 马晓1; 武青海1; 2
1.吉林化工学院信息与控制工程学院，吉林吉林 132022； 2.吉林农业科技学院电气与信息工程学院，吉林吉林 132101
Author(s):
Dong Tianliang; et al
关键词:
图像分类; 病害识别; 小麦; 自监督学习
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
当利用卷积神经网络进行小麦病害识别时，在模型训练阶段通常需要用到大量的数据标签，然而数据标记工作既复杂又昂贵，而模型识别效果容易受自然环境下复杂因素的干扰。针对这些问题，提出一种融合SimCLR预训练框架与改进的CBAM注意力机制的小麦病害识别模型SC-ConvNeXt。该模型以ConvNeXt-T为特征提取网络，首先，采用自监督的SimCLR预训练框架学习类间的相似性，减少训练阶段带标签数据的使用；然后，在ConvNeXt-T每个阶段加入CBAM注意力机制，以提高模型在复杂背景下的特征提取能力和泛化能力，并将每个注意力模块中的损失函数改进为LeakyReLu激活函数，从而避免出现输入为负值时神经元失活的情况；最后，通过引入Focal Loss损失函数，改善难易分类样本间数量不平衡问题。使用数据集来自吉林农业科技学院“智慧农业”平台，包含2种小麦病害和健康小麦数据，在多种数据增强方式扩充数据集后，依次验证了添加SimCLR、注意力机制的有效性；同时设置对比试验与4种经典的分类模型进行对比分析。结果表明，本研究提出的SC-ConvNeXt网络模型在测试集的平均分类准确率为91.37%，在所有对比模型中最优，且在训练过程中无需额外使用带标签的数据，证明了小麦病害识别模型在不需要额外带标签数据训练的前提下，有效提升了对自然环境下的小麦病害识别的性能。
Abstract:
-

参考文献/References:

［1］李圣军. 2022—2023年度全球小麦市场回顾及2023/2024年度展望［J］. 中国粮食经济，2023，30(8)：65-69.
［2］宗冬琳，王弢. 基于知网数据库分析干旱地区小麦农艺性状与产量的关系［J］. 大麦与谷类科学，2023，40(4)：6-10.
［3］周团委. 建国后河北省小麦生产发展历程研究(1949—2013)［D］. 保定：河北农业大学，2015：1-34.
［4］吴海彬，朱志锋，谭城，等. 基于产业链视角的小麦品种品质需求调研分析［J］. 中国种业，2024，43(1)：1-8.
［5］Savary S，Ficke A，Aubertot J N，et al. Crop losses due to diseases and their implications for global food production losses and food security［J］. Food Security，2012，4：519-537.
［6］荚恒刚，魏安季. 小麦赤霉病的发生及防治［J］. 现代农业科技，2021，28(17)：108-109.
［7］郑秋红，杨霏云，朱玉洁. 小麦白粉病发生气象条件和气象预报研究进展［J］. 中国农业气象，2013，34(3)：358-365.
［8］马占鸿. 中国小麦条锈病研究与防控［J］. 植物保护学报，2018，45(1)：1-6.
［9］Dhakal A，Shakya S. Image-based plant disease detection with deep learning［J］. International Journal Computer Trends and Technology，2018，61(1)：2231-2803.
［10］Gautam A K，Kumar S. Techniques for the detection，identification，and diagnosis of agricultural pathogens and diseases［M］// Egbuna C，Sawicka B .Natural remedies for pest，disease and weed control.Amsterdam：Academic Press，2019：135-142.
［11］Jiang P，Chen Y H，Liu B，et al. Real-time detection of apple leaf diseases using deep learning approach based on improved [JP4]convolutional neural networks［J］. IEEE Access，2019，7：59069-59080.
［12］Zhai Z Y，Martínez J F，Beltran V，et al. Decision support systems for agriculture 4.0：survey and challenges［J］. Computers and Electronics in Agriculture，2020，170：105256.
［13］Wagle S A，Harikrishna R. Comparison of plant leaf classification using modified alexnet and support vector machine［J］. Traitement du Signal，2021，38(1)：79-87.
［14］Lecun Y，Bengio Y，Hinton G. Deep learning［J］. Nature，2015，521(1)：436-444.
［15］Lv M J，Zhou G X，He M F，et al. Maize leaf disease identification based on feature enhancement and dms-robust alexnet［J］. IEEE access，2020，8：57952-57966.
［16］Li X，Rai L. Apple leaf disease identification and classification using resnet models［C］//2020 IEEE 3rd International Conference on Electronic Information and Communication Technology (ICEICT)，2020：738-742.
［17］Li M，Wang J X，Li H L，et al. Method for identifying crop disease based on CNN and transfer learning［J］. Smart Agriculture，2019，1(3)：46.
［18］Lin J W，Chen X Y L，Pan R Y，et al. GrapeNet：a lightweight convolutional neural network model for identification of grape leaf diseases［J］. Agriculture，2022，12(6)：17.
［19］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(CVPR)，2022：11976-11986.
［20］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition ［C］//IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，2016：770-778.
［21］Liu Z，Lin Y T，Cao Y，et al. Swin transformer：hierarchical vision transformer using shifted windows ［C］//2021 IEEE/CVF International Conference on Computer Vision (ICCV)，2021：10012-10022.
［22］Jing L L，Tian Y L. Self-supervised visual feature learning with deep neural networks：a survey［J］. IEEE transactions on pattern analysis and machine intelligence，2020，43(11)：4037-4058.
［23］张宸嘉，朱磊，俞璐. 卷积神经网络中的注意力机制综述［J］. 计算机工程与应用，2021，57(20)：64-72.
［24］Guo W J，Feng Q，Li X Z，et al. Grape leaf disease detection based on attention mechanisms［J］. International Journal of Agricultural and Biological Engineering，2022，15(5)：205–212.
［25］Wang Y Y，Tao J，Gao H T. Corn disease recognition based on attention mechanism network［J］. Axioms，2022，11(9)：480.
［26］Zhang M，Su H H，Wen J H. Classification of flower image based on attention mechanism and multi-loss attention network［J］. Computer Communications，2021，179(1)：307-317.
［27］Qian Z Z，Mu J，Tian F，et al. Facial expression recognition based on strong attention mechanism and residual network［J］. Multimedia Tools and Applications，2022，81(30)：44109-44121.
［28］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［C］// Ferrari V，Hebert M，Sminchisescu C.Proceeding of the European Conference on Computer Vision(ECCV)，2018：3-19.
［29］Xu B，Wang N Y，Chen T Q，et al. Empirical evaluation of rectified activations in convolutional network［J］. ArXiv，2015，27：1-5.
［30］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］//Proceedings of the 2017 IEEE International Conference on Computer Vision.2017：2999-3007.

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(5):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(5):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(5):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(5):192.
[5]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(5):71.
[6]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(5):85.
[7]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(5):35.
[8]孙长兰,林海峰.一种基于集成学习的苹果叶片病害检测方法[J].江苏农业科学,2022,50(20):41.
　Sun Changlan,et al.An apple tree leaf disease detection method based on ensemble learning[J].Jiangsu Agricultural Sciences,2022,50(5):41.
[9]王慧,李康顺,蔡铁,等.基于约束性多目标优化算法的柑橘黄龙病识别算法[J].江苏农业科学,2023,51(6):159.
　Wang Hui,et al.Citrus Huanglongbing recognition algorithm based on constrained multi-objective optimization algorithm[J].Jiangsu Agricultural Sciences,2023,51(5):159.
[10]余骥远,高尚兵,李洁,等.基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类[J].江苏农业科学,2023,51(6):178.
　Yu Jiyuan,et al.Classification of mung bean leaf spot based on MS-PLNet and hyperspectral images[J].Jiangsu Agricultural Sciences,2023,51(5):178.

备注/Memo

备注/Memo:
收稿日期：2024-02-26
基金项目：吉林省特色高水平学科新兴交叉学科“数字农业”项目(编号：20231103)。
作者简介：董天亮(1999—)，男，重庆人，硕士研究生，研究方向为人工智能图像分类。E-mail：15234018784@163.com。
通信作者：武青海，硕士，副教授，研究方向为图形图像处理及农业信息化。E-mail：57922126@qq.com。
更新日期/Last Update: 2025-03-05