|本期目录/Table of Contents|

[1]黄英来,王奇,何少聪,等.基于改进ResNet101的黄瓜害虫识别方法研究[J].江苏农业科学,2025,53(5):203-212.
　Huang Yinglai,et al.Study on identification method for cucumber pests based on improved ResNet101[J].Jiangsu Agricultural Sciences,2025,53(5):203-212.
点击复制

基于改进ResNet101的黄瓜害虫识别方法研究(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:
203-212
栏目:
害虫智能检测
出版日期:
2025-03-05

文章信息/Info

Title:
Study on identification method for cucumber pests based on improved ResNet101
作者:
黄英来; 王奇; 何少聪; 林振群; 牛达伟
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):
Huang Yinglai; et al
关键词:
黄瓜害虫识别; 残差网络; 余弦退火; 迁移学习; 注意力机制
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
为提高黄瓜害虫的识别准确率，解决害虫吸食黄瓜汁液影响黄瓜产量的问题，提出一种基于ResNet101改进的黄瓜害虫识别模型QJSEC-ResNet101。该模型所采取的改进策略为(1)采用学习率余弦退火策略，使模型在训练过程中能够动态调整学习率；(2)利用迁移学习技术，将预训练模型的权重参数迁移到ResNet101中，从而进一步提升模型的性能；(3)为降低模型的计算复杂度并提升其轻量化程度，将原始的7×7大卷积替换为3个3×3小卷积；(3)将激活函数ReLU修改为SeLU改变神经元不学习的问题；(4)加入ECA注意力机制和CBAM注意力机制提升模型的识别效果。为增强数据的多样性，采用24种数据扩充方式对黄瓜害虫初始图像数据集进行扩充，这不仅丰富了数据集，也能使模型更好地进行特征识别和特征提取。最后，在模型的不同位置加入了ECA和CBAM等2种注意力机制，同时剪去layer中的Bottleneck模块，通过设计19种添加方案进行对比试验，选取了最优的添加方式。将改进后的模型通过pyqt界面实现，可以让使用者操作起来更加的得心应手，更加便捷。试验结果表明，QJSEC-ResNet101模型在复杂背景下对黄瓜害虫识别的准确率达到了99.39%，相较于传统模型提高了1.80百分点。同时，该模型的训练时间也大幅缩短，近乎减少了一半。因此，QJSEC-ResNet101模型为农业领域的黄瓜害虫识别提供了高效且准确的方法，具有重要的应用价值。
Abstract:
-

参考文献/References:

［1］杨信廷，刘蒙蒙，许建平，等. 自动监测装置用温室粉虱和蓟马成虫图像分割识别算法［J］. 农业工程学报，2018，34(1)：164-170.
［2］董松，徐晓辉，宋涛，等. 基于计算机视觉的黄瓜病害识别方法研究［J］. 河北工业大学学报，2021，50(4)：38-43，62.
［3］蒋力顺，董志学，胡潇，等. 基于卷积神经网络的黄瓜病害识别研究［J］. 计算技术与自动化，2022，41(2)：153-157.
［4］温皓杰，张领先，傅泽田，等. 基于Web的黄瓜病害诊断系统设计［J］. 农业机械学报，2010，41(12)：178-182.
［5］沈华峰. 结合八度卷积与注意力机制的Xceptions林业害虫识别方法［J］. 信息技术与信息化，2022(6)：46-51.
［6］肖小梅，杨红云，易文龙，等. 改进的Alexnet模型在水稻害虫图像识别中的应用［J］. 科学技术与工程，2021，21(22)：9447-9454.
［7］石璐莹，童顺延，吴婷，等. 基于改进YOLO v5注意力模型的农田害虫图像识别［J］. 现代信息科技，2023，7(10)：70-73，79.
［8］Farman H，Ahmad J，Jan B，Ahmad T，Khan I，Irshad A，et al. EfficientNet-based robust recognition of peach plant diseases in field images［J］. Computers，Materials & Continua，2022，71(1)：2073-2089.
［9］Sandhya Devi R S，Vijay Kumar V R，Sivakumar P. EfficientNet v2 model for plant disease classification and pest recognition［J］. Computer Systems Science and Engineering，2023，45(2)：2249-2263.
［10］Singh S P，Pritamdas K，Devi K J，et al. Custom convolutional neural network for detection and classification of rice plant diseases［J］. Procedia Computer Science，2023，218：2026-2040.
［11］王海青，姬长英，顾宝兴，等. 基于机器视觉和支持向量机的温室黄瓜识别［J］. 农业机械学报，2012，43(3)：163-167，180.
［12］Harkat A，Benzid R. Premature ventricular contraction (PVC) recognition using DCT-CWT based discriminant and optimized RBF neural network［J］. Journal of Biomimetics，Biomaterials and Biomedical Engineering，2023，60：109-117.
［13］万军杰，祁力钧，卢中奥，等. 基于迁移学习的GoogLeNet果园病虫害识别与分级［J］. 中国农业大学学报，2021，26(11)：209-221.
［14］温艳兰，陈友鹏，王克强，等. 基于迁移学习和改进残差网络的复杂背景下害虫图像识别［J］. 江苏农业科学，2023，51(8)：171-177.
［15］王云露. 基于深度迁移学习的苹果病害识别方法研究［D］. 泰安：山东农业大学，2023：2-6.
［16］Vakacherla S S，Kantharaju P，Mevada M，et al. Single accelerometer to recognize human activities using neural networks［J］. Journal of Biomechanical Engineering，2023，145(6)：061005.
［17］甘雨，郭庆文，王春桃，等. 基于改进EfficientNet模型的作物害虫识别［J］. 农业工程学报，2022，38(1)：203-211.
［18］Hu K，Liu Y M，Nie J W，et al. Rice pest identification based on multi-scale double-branch GAN-ResNet［J］. Frontiers in Plant Science，2023，14：1167121.

相似文献/References:

[1]谢军,江朝晖,李博,等.基于二次迁移模型的小样本茶树病害识别[J].江苏农业科学,2021,49(6):176.
　Xie Jun,et al.Image recognition of tea plant disease small samples based on secondary migration model[J].Jiangsu Agricultural Sciences,2021,49(5):176.
[2]雷建云,陈楚,郑禄,等.基于改进残差网络的水稻害虫识别[J].江苏农业科学,2022,50(14):190.
　Lei Jianyun,et al.Identification of rice pests based on improved residual network[J].Jiangsu Agricultural Sciences,2022,50(5):190.
[3]戴久竣,马肄恒,吴坚,等.基于改进残差网络的葡萄叶片病害识别[J].江苏农业科学,2023,51(5):208.
　Dai Jiujun,et al.Grape leaf disease identification based on improved residual network[J].Jiangsu Agricultural Sciences,2023,51(5):208.
[4]鲍浩,张艳.基于注意力机制与改进残差模块的豆叶病害识别[J].江苏农业科学,2023,51(16):187.
　Bao Hao,et al.Bean leaf disease identification based on attention mechanism and improved residual module[J].Jiangsu Agricultural Sciences,2023,51(5):187.
[5]吴刚正,蔡成岗,朱瑞瑜.基于注意力机制和残差网络的苹果叶片病害分类[J].江苏农业科学,2023,51(18):177.
　Wu Gangzheng,et al.Apple leaf disease classification based on attention mechanism and residual network[J].Jiangsu Agricultural Sciences,2023,51(5):177.
[6]肖天赐,陈燕红,李永可,等.基于改进通道注意力机制的农作物病害识别模型研究[J].江苏农业科学,2023,51(24):168.
　Xiao Tianci,et al.Study on crop disease identification model based on improved channel attention mechanism[J].Jiangsu Agricultural Sciences,2023,51(5):168.

备注/Memo

备注/Memo:
收稿日期：2023-12-30
基金项目：黑龙江省自然科学基金(编号：LH2020C051)；国家自然科学基金(编号：31670717)。
作者简介：黄英来(1978—)，男，内蒙古赤峰人，博士，副教授，硕士生导师，研究方向为信号处理与计算机智能识别。E-mail：117968528@qq.com。
通信作者：王奇，硕士研究生，研究方向为计算机视觉与图像处理研究。E-mail：1539948280@qq.com。
更新日期/Last Update: 2025-03-05