面向大规模多类别的病虫害识别模型

• Published in: 农业工程学报 Vol. 38; no. 8; pp. 169 - 177
• Main Authors: 温长吉, 王启锐, 陈洪锐, 吴建双, 倪军, 杨策, 苏恒强
• Format: Journal Article
• Language: Chinese
• Published: 吉林农业大学信息技术学院,长春 130118 01.04.2022; 吉林农业大学智慧农业研究院,长春 130118%吉林农业大学信息技术学院,长春 130118%南京农业大学农学院,南京 210095%明尼苏达大学食品、农业与自然资源科学学院,圣保罗 55108
• Subjects: 深度学习:病虫害; 卷积块注意力模块; 跨层非局部模块; 模型; 精细分类
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.08.020

S24%TP391.41; 早期病虫害精准识别是预警和防控的关键,但是病虫害种类繁多数量巨大,外部形态存在类间相似度较高而类内差异性较大等性状特征,导致病虫害识别仍然是一项极具挑战的工作.为实现病虫害识别分类任务中差异化特征的提取和表示,该研究提出一种大规模多类别精细病虫害识别网络模型(a large-scale multi-category fine-grained pest and disease network,PD-Net).首先通过在基准网络模型中引入卷积块注意力模型,通过混合跨特征通道域和特征空间域实现模型在通道和空间两个维度上对关键特征提取和表示,用以增强网络对差异化特征的提取和表示能力.其次引入跨层非局部模块,提升模型在多个特征提取层之间对于多尺度特征的融合.在61类病害数据集和102类虫害数据集上的试验结果表明,对比AlexNet、VGG16、GoogleNet、Inception-v3、DenseNet121和ResNet50模型,该研究提出的面向大规模多类别病虫害识别模型,Top1识别准确率在病害和虫害集上分别达到88.617％和74.668％,精确率分别达到了0.875和0.745,召回率分别达到0.874和0.738,F1值达到0.874和0.732,试验结果对比其他模型均有一定幅度的提升,验证了PD-Net模型在大规模多类别病虫害识别上的有效性.