|本期目录/Table of Contents|

[1]姜晟久,钟国韵.基于可分离扩张卷积和通道剪枝的番茄病害分类方法[J].江苏农业科学,2024,52(2):182-189.
　Jiang Shengjiu,et al.Tomato disease classification method based on separable dilated convolution and channel pruning[J].Jiangsu Agricultural Sciences,2024,52(2):182-189.
点击复制

基于可分离扩张卷积和通道剪枝的番茄病害分类方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第2期
页码:
182-189
栏目:
农业工程与信息技术
出版日期:
2024-02-20

文章信息/Info

Title:
Tomato disease classification method based on separable dilated convolution and channel pruning
作者:
姜晟久; 钟国韵
东华理工大学信息工程学院，江西南昌 330013
Author(s):
Jiang Shengjiu; et al
关键词:
番茄病害; 可分离扩张卷积; 通道剪枝; MobileNet v2
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
为了实现番茄病害的快速检测，针对传统卷积神经网络病害分类方法参数量大、对算力要求高的问题，提出了一种基于可分离扩张卷积和通道剪枝的番茄病害分类方法。基于MobileNet v2，提出了一种可分离扩张卷积块，在不增加网络参数的情况下，扩大网络的感受野，提升网络提取番茄叶部病害特征的能力。然后替换PReLU激活函数，避免产生梯度弥散问题。同时能够更好地处理图像，提高网络对番茄叶部病害负值特征信息的提取能力，具有更好的鲁棒性。最后，使用通道剪枝技术，引入缩放因子联合权重损失函数，分辨相对不重要的通道，并对其进行裁剪，再对剪枝后的网络进行微调并重复以上步骤，在大幅减少网络参数量的同时，不影响网络的性能。在数据集上的结果表明，研究方法在网络参数量仅为0.7 M的情况下，准确率达到了96.44%，精确率达到了96.36%。与目前主流轻量化网络MobileNet v3、GhostNet、ShuffleNet v2相比，模型准确率分别提高了0.45、0.77、0.24百分点，同时模型参数量分别仅为以上模型的12.96%、13.46%、30.43%，模型更轻量且准确率更高。
Abstract:
-

参考文献/References:

［1］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.
［2］谭海文，吴永琼，秦莉，等. 我国番茄侵染性病害种类变迁及其发生概况［J］. 中国蔬菜，2019(1)：80-84.
［3］Singh V K，Singh A K，Kumar A. Disease management of tomato through PGPB：current trends and future perspective［J］. 3 Biotech，2017，7(7)：1-10.
［4］Luna R，Dadios E P，Bandala A A . Automated image capturing system for deep learning-based tomato plant leaf disease detection and recognition［C］//TENCON 2018-2018 IEEE Region 10 Conference. Jeju，South Korea. IEEE，2018：1414-1419.
［5］Zhang Y，Song C L，Zhang D W. Deep learning-based object detection improvement for tomato disease［J］. IEEE Access，2020，8：56607-56614.
［6］李超，彭进业，孔韦韦，等. 基于局部二值模式的作物叶部病斑检测［J］. 计算机工程与应用，2017，53(24)：233-237.
［7］师韵，黄文准，张善文. 基于二维子空间的苹果病害识别方法［J］. 计算机工程与应用，2017，53(22)：180-184.
［8］马浚诚，温皓杰，李鑫星，等. 基于图像处理的温室黄瓜霜霉病诊断系统［J］. 农业机械学报，2017，48(2)：195-202.
［9］赵建敏，薛晓波，李琦. 基于机器视觉的马铃薯病害识别系统［J］. 江苏农业科学，2017，45(2)：198-202.
［10］叶中华，赵明霞，贾璐. 复杂背景农作物病害图像识别研究［J］. 农业机械学报，2021，52(增刊1)：118-124，147.
［11］王林柏，张博，姚竟发，等. 基于卷积神经网络马铃薯叶片病害识别和病斑检测［J］. 中国农机化学报，2021，42(11)：122-129.
［12］顾兴健，朱剑峰，任守纲，等. 多尺度U网络实现番茄叶部病斑分割与识别［J］. 计算机科学，2021，48(增刊2)：360-366，381.
［13］黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究［J］. 计算机工程与应用，2021，57(23)：178-184.
［14］Saleem M H，Potgieter J，Arif K M. Plant disease detection and classification by deep learning［J］. Plants，2019，8(11)：468.
［15］Dhiman P，Kukreja V，Manoharan P，et al. A novel deep learning model for detection of severity level of the disease incitrus fruits［J］. Electronics，2022，11(3)：495.
［16］Guan X. A novel method of plant leaf disease detection based on deep learning and convolutional neural network［C］//2021 6th international conference on intelligent computing and signal processing. Xian，China：IEEE，2021：816-819.
［17］Loti N N A，Noor M R M，Chang S W. Integrated analysis of machine learning and deep learning in chili pest and disease identification［J］. Journal of the Science of Food and Agriculture，2020，101(9)：3582-3594.
［18］Zhang Z. Improved Adam optimizer for deep neural networks［C］//2018 IEEE/ACM 26th international symposium on quality of service. Canada：ACM，2018：1-2.
［19］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. Salt Lake City，USA：IEEE，2018：4510-4520.
［20］Lei X Y，Pan H G，Huang X D. A dilated CNN model for image classification［J］. IEEE Access，2019，7：124087-124095.
［21］Wang P，Chen P，Yuan Y，et al. Understanding convolution for semantic segmentation［C］//2018 IEEE winter conference on applications of computer vision. Nevada，USA：IEEE，2018：1451-1460.
［22］姜晓勇，李忠义，黄朗月，等. 神经网络剪枝技术研究综述［J］. 应用科学学报，2022，40(5)：838-849.
［23］Zhuang L，Li J G，Shen Z Q，et al. Learning efficient convolutional networks through network slimming［C］//Proceedings of the IEEE International Conference on Computer Vision. Venice，Italy，2017：2736-2744.
［24］He K M，Zhang X Y，Ren S Q，et al. Delving deep into rectifiers：surpassing human-level performance on imagenet classification［J］. IEEE Computer Society，2015：1026-1034.
［25］Howard A，Sandler M，Chen B，et al. Searching for Mobilenet v3［C］//2019 IEEE/CVF International conference on computer vision. South Korea：IEEE，2020：1314-1324.
［26］Ma N，Zhang X，Zheng H T，et al. Shufflenet v2：practical guidelines for efficient cnn architecture design［C］//Proceedings of the European conference on computer vision. Munich，Germany：IEEE，2018：116-131.
［27］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. Seattle，USA：IEEE，2020：1580-1589.

相似文献/References:

[1]严希,田山君,裴芸,等.几种中药提取液对番茄病害病原真菌的抑制效果[J].江苏农业科学,2017,45(20):129.
　Yan Xi,et al.Inhibitory effects of different Chinese herbs extracts against pathogenic fungi from tomato disease[J].Jiangsu Agricultural Sciences,2017,45(2):129.
[2]阎园园,陈华,姜波.基于群智能算法分类模型的番茄病害识别[J].江苏农业科学,2020,48(1):219.
　Yan Yuanyuan,et al.Study on classification algorithm of swarm intelligence algorithm in tomato disease identification[J].Jiangsu Agricultural Sciences,2020,48(2):219.
[3]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.
　Ni Zhitao,et al.A novel method for tomato fine-grained disease recognition based on image classification and target detection[J].Jiangsu Agricultural Sciences,2023,51(2):221.

备注/Memo

备注/Memo:
收稿日期：2023-03-06
基金项目：国家自然科学基金(编号：62162002)；江西省主要学科学术和技术带头人领军人才项目(编号：20225BCJ22004)。
作者简介：姜晟久(2000—)，男，湖南新化人，硕士研究生，研究方向为计算机视觉及其应用。E-mail：2021110251@ecut.edu.cn。
通信作者：钟国韵，博士，教授，硕士生导师，研究方向为计算机视觉、图像音视频处理。E-mail：gyzhong@ecut.edu.cn。
更新日期/Last Update: 2024-01-20