«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53卷

期数:

2025年第5期

页码:

156-164

栏目:

病害智能检测

出版日期:

2025-03-05

文章信息/Info

Title:

Tomato leaf disease recognition algorithm based on lightweight dense scale network

作者:

王九玲¹; 周会国²; 李文峰³

1.安阳职业技术学院，河南安阳 455000； 2.郑州大学信息工程学院，河南郑州 450001； 3.中国空间技术研究院西安分院，陕西西安 710100

Author(s):

Wang Jiuling; et al

关键词:

密集尺度网络; 轻量化; 番茄叶片病害; 多尺度变化

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

番茄叶片病害识别是农业智能化的重要应用之一，准确快速的病害识别对于番茄的健康生长和高产至关重要。然而，现有的模型在实际应用中常常由于背景复杂、病害尺度不一致等原因，难以实现高效准确的识别。因此，本研究提出了一种轻量化密集尺度网络，以提高番茄叶片病害识别的准确性和效率，并能够在低成本设备上实现快速识别。首先，网络通过使用不同扩张率卷积的密集连接结构，增强了对不同尺度病害的适应能力。具体来说，通过在网络中引入多种扩张率的卷积核，使得模型能够更好地捕捉到不同尺度病害的特征。其次，采用协调注意力尺度融合方法，替换了传统的拼接连接。此方法能够在不同尺度特征之间建立更加紧密的联系，提升特征提取的有效性，从而增强整体模型的识别能力。结果表明，优化后的模型在测试数据集上的准确率达到0.968，优于现有的重量级网络(AlexNet、VGG16、VGG19和ResNet50)和轻量级网络(DenseNet121、GoogleNet、MobileNet、ShuffleNet v2和GhostNet)。本研究为实现低成本设备上的高效番茄叶片病害识别提供了新的方法和思路，具有重要的理论意义和实际应用价值。

Abstract:

-

参考文献/References:

［1］Quinet M，Angosto T，Yuste-Lisbona F J，et al. Tomato fruit development and metabolism［J］. Frontiers in Plant Science，2019，10：1554.
［2］Bergougnoux V. The history of tomato：from domestication to biopharming［J］. Biotechnology Advances，2014，32(1)：170-189.
［3］翟肇裕，曹益飞，徐焕良，等. 农作物病虫害识别关键技术研究综述［J］. 农业机械学报，2021，52(7)：1-18.
［4］Collins E J，Bowyer C，Tsouza A，et al. Tomatoes：an extensive review of the associated health impacts of tomatoes and factors that can affect their cultivation［J］. Biology，2022，11(2)：239.
［5］Agarwal M，Singh A，Arjaria S，et al. ToLeD：tomato leaf disease detection using convolution neural network［J］. Procedia Computer Science，2020，167：293-301.
［6］蒋清健，姚勇，付志军，等. 基于改进卷积神经网络算法的番茄叶片病害识别［J］. 江苏农业科学，2022，50(20)：29-34.
［7］牛学德，高丙朋，南新元，等. 基于改进DenseNet卷积神经网络的番茄叶片病害检测［J］. 江苏农业学报，2022，38(1)：129-134.
［8］Thangaraj R，Anandamurugan S，Pandiyan P，et al. Artificial intelligence in tomato leaf disease detection：a comprehensive review and discussion［J］. Journal of Plant Diseases and Protection，2022，129(3)：469-488.
［9］郑超杰，李少波，蒲睿强，等. 基于轻量化卷积神经网络的番茄叶片病害识别［J］. 江苏农业科学，2024，52(11)：225-231.
［10］陈智超，汪国强，李飞，等. 基于Bi-LSTM与多尺度神经网络模型的番茄病害识别［J］. 江苏农业科学，2023，51(15)：194-203.
［11］马丽，周巧黎，赵丽亚，等. 基于深度学习的番茄叶片病害分类识别研究［J］. 中国农机化学报，2023，44(7)：187-193，206.
［12］王志强，于雪莹，杨晓婧，等. 基于WGAN和MCA-MobileNet的番茄叶片病害识别［J］. 农业机械学报，2023，54(5)：244-252.
［13］Basavaiah J，Arlene Anthony A. Tomato leaf disease classification using multiple feature extraction techniques［J］. Wireless Personal Communications，2020，115(1)：633-651.
［14］Tian X L，Meng X Y，Wu Q F，et al. Identification of tomato leaf diseases based on a deep neuro-fuzzy network［J］. Journal of the Institution of Engineers，2022，103(2)：695-706.
［15］张天骐，熊天，吴超，等. 基于压缩激励残差分组扩张卷积和密集线性门控Unet歌声分离方法［J］. 应用科学学报，2023，41(5)：815-830.
［16］涂万，于红，张鹏，等. 基于通道非降维与空间协调注意力的改进YOLOv8养殖鱼群检测［J］. 大连海洋大学学报，2023，38(4)：717-725.
［17］项小东，翟蔚，黄言态，等. 基于Xception-CEMs神经网络的植物病害识别［J］. 中国农机化学报，2021，42(8)：177-186.
［18］李书琴，陈聪，朱彤，等. 基于轻量级残差网络的植物叶片病害识别［J］. 农业机械学报，2022，53(3)：243-250.
［19］储鑫，李祥，罗斌，等. 基于改进YOLOv4算法的番茄叶部病害识别方法［J］. 江苏农业学报，2023，39(5)：1199-1208.
［20］章广传，李彤，何云，等. 基于迁移模型集成的马铃薯叶片病害识别方法［J］. 江苏农业科学，2023，51(15)：216-224.
［21］惠巧娟，孙婕. 基于多尺度特征度量元学习的玉米叶片病害识别模型研究［J］. 江苏农业科学，2023，51(9)：199-206.
［22］陈聪，于啸，宫琪. 基于改进残差网络的苹果叶片病害识别研究［J］. 河南农业科学，2023，52(4)：152-161.

相似文献/References:

[1]曹元军,陆小明.自走式谷物联合收割机倾斜输送器设计[J].江苏农业科学,2014,42(12):410.
　Cao Yuanjun,et al.Design of incline conveyer of self-propelled combine harvester[J].Jiangsu Agricultural Sciences,2014,42(5):410.
[2]范思宇,陆华忠,丘广俊,等.果园电动履带运输车车架轻量化设计[J].江苏农业科学,2018,46(06):178.
　Fan Siyu,et al.Lightweight design of chassis frame for orchard electric tracked vehicle[J].Jiangsu Agricultural Sciences,2018,46(5):178.
[3]胡奔,廖敏,李晓鹏,等.拖拉机前动力输出变速箱壳体轻量化设计[J].江苏农业科学,2019,47(10):239.
　Hu Ben,et al.Lightweight design of front power output gearbox housing for tractor[J].Jiangsu Agricultural Sciences,2019,47(5):239.
[4]许文燕.基于轻量化神经网络的葡萄叶部病害检测装置研制[J].江苏农业科学,2023,51(19):181.
　Xu Wenyan.Development of grape leaf disease detection device based on lightweight neural network[J].Jiangsu Agricultural Sciences,2023,51(5):181.
[5]吴子炜,夏芳,陆林峰,等.基于改进YOLO v5的水稻主要害虫识别方法[J].江苏农业科学,2023,51(21):218.
　Wu Ziwei,et al.An identification method for rice major pests based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2023,51(5):218.
[6]李滨,樊健.基于YOLO v5的水稻害虫分类[J].江苏农业科学,2024,52(2):175.
　Li Bin,et al.Classification of rice pests based on YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(5):175.
[7]李大华,仲婷,王笋,等.基于改进ShuffleNet v2的轻量化番茄叶片病害识别[J].江苏农业科学,2024,52(3):220.
　Li Dahua,et al.Lightweight disease identification for tomato leaves based on improved ShuffleNet v2[J].Jiangsu Agricultural Sciences,2024,52(5):220.
[8]王娜,陈勇,崔艳荣,等.基于改进轻量化YOLO v5n的番茄叶片病害识别方法[J].江苏农业科学,2024,52(8):192.
　Wang Na,et al.Tomato leaf disease identification method based on improved lightweight YOLO v5n[J].Jiangsu Agricultural Sciences,2024,52(5):192.
[9]孔令旺,赵刚.基于空洞卷积下采样单元的轻量化害虫图像识别模型[J].江苏农业科学,2024,52(11):189.
　Kong Lingwang,et al.Lightweight pest image recognition model based on cavity convolution subsampling unit[J].Jiangsu Agricultural Sciences,2024,52(5):189.
[10]朱齐齐,陈西曲.基于改进YOLO v5的轻量级果园苹果检测算法[J].江苏农业科学,2024,52(17):200.
　Zhu Qiqi,et al.Lightweight orchard apple detection algorithm based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(5):200.

备注/Memo

备注/Memo:

收稿日期：2024-07-01
基金项目：国家自然科学基金(编号：62002330)。
作者简介：王九玲(1988—)，女，河南安阳人，硕士，讲师，主要从事计算机技术研究。E-mail：wangmin213a@163.com。
通信作者：周会国，博士，教授，主要从事计算机应用研究。E-mail：zhouhuiguo1979@163.com。

常用功能

更新日期/Last Update: 2025-03-05