«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:

174-183

栏目:

病害智能检测

出版日期:

2025-03-05

文章信息/Info

Title:

Study on visual recognition technology of tomato leaf disease based on deep learning

作者:

封成智¹; 刘强德¹; 王志伟¹; 秦春林¹; 杨蕾²; 白玉龙¹; 马海霞¹; 杨城¹; 丁宏斌³

1.甘肃省农业科学院农业经济与信息研究所，甘肃兰州730070； 2.甘肃省生产力促进中心，甘肃兰州 730000； 3.甘肃省农业机械化技术推广总站，甘肃兰州 730000

Author(s):

Feng Chengzhi; et al

关键词:

深度学习; 番茄叶片病害; 卷积神经网络; 诊断模型; 特征融合

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

针对番茄叶片病害识别过程中人工识别难度大且容易出错，传统机器学习方法识别准确度低、泛化能力较差等问题，以番茄病害叶片可视化为研究对象，建立番茄叶片病害数据集；采用深度学习技术，建立基于卷积神经网络的番茄叶片常见病害可视化识别模型，自动提取病害图像特征，提高病害识别的准确度及泛化能力。采用BN层技术，加快网络模型的训练速度，防止梯度爆炸及梯度消失问题；引入残差学习单元，提升网络模型在特征的提取过程中对上层特征的保留能力，防止网络模型产生退化现象；采用跳层连接技术，将低层小尺度特征与高层大尺度特征进行叠加，实现不同特征的融合，提取更加全面的特征信息，从而提高模型识别准确度。通过试验分析卷积层层数、学习率、批处理大小对模型性能的影响。本研究提出的MNet模型识别病害类型的准确度，在训练集中达到99.6%，在验证集中达到99.5%，在测试集中达到99.3%，在复杂背景下具有较高的识别准确度。将模型部分卷积层特征图可视化，图像显示模型对病害特征提取尺度具有多样性；将MNet模型识别性能与VGG19、ResNet50、ResNet101进行比较，结果表明，MNet模型具有更高的识别准确度以及更强的鲁棒性。

Abstract:

-

参考文献/References:

［1］许冠芝，王泽民，李成强. 基于深度学习的番茄叶部病害识别模型［J］. 微处理机，2020，41(3)：30-36.
［2］马宇，单玉刚，袁杰. 基于三通道注意力网络的番茄叶部病害识别［J］. 科学技术与工程，2021，21(25)：10789-10795.
［3］胡志伟，杨华，黄济民，等. 基于注意力残差机制的细粒度番茄病害识别［J］. 华南农业大学学报，2019，40(6)：124-132.
［4］Putra I K G D，Fauzi R，Witarsyah D，et al. Classification of tomato plants diseases using convolutional neural network［J］. International Journal on Advanced Science，Engineering and Information Technology，2020，10(5)：1821-1827.
［5］Abbas A，Jain S，Gour M，et al. Tomato plant disease detection using transfer learning with C-GAN synthetic images［J］. Computers and Electronics in Agriculture，2021，187：106279.
［6］Fuentes A，Yoon S，Kim S C，et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition［J］. Sensors，2017，17(9)：2022.
［7］张友为，王鑫鑫，范晓飞，等. 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)：10-20.
［8］陶兆胜，石鑫宇，王勇，等. 基于改进YOLO v5s的番茄叶片病害检测方法［J］. 沈阳农业大学学报，2023，54(6)：712-721.
［9］倪智涛，胡伟健，李宝山，等. 一种基于图像分类与目标检测协同的番茄细粒度病害识别方法［J］. 江苏农业科学，2023，51(22)：221-228.
［10］周巧黎，马丽，曹丽英，等. 基于改进轻量级卷积神经网络MobileNet v3的番茄叶片病害识别［J］. 智慧农业(中英文)，2022，4(1)：47-56.
［11］李梦洁，董峦. 基于PyTorch的机器翻译算法的实现［J］. 计算机技术与发展，2018，28(10)：160-163，167.

相似文献/References:

[1]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(5):241.
[2]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(5):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(5):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(5):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):210.
[6]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(5):22.
[9]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(5):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(5):189.

备注/Memo

备注/Memo:

收稿日期：2024-03-20
基金项目：甘肃省农业科学院农业科技自主创新专项重点研发计划(编号：2022GAAS31)；甘肃省科技计划(编号：24CXNA043)。
作者简介：封成智(1990—)，男，陕西榆林人，硕士，工程师，主要研究方向为数字农业、智慧农业。E-mail：fcz@gsagr.cn。
通信作者：刘强德，副研究员，主要从事农业信息化、智慧农业、数字农业研究。E-mail：lqd@gsagr.cn。

常用功能

更新日期/Last Update: 2025-03-05