病虫害识别专题

Select

1. 基于改进ShuffleNet V2 的柑橘病害识别研究

于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰

河南农业科学 2024, 53 (1): 142-151. DOI: 10.15933/j.cnki.1004-3268.2024.01.016

摘要（907）

PDF （3756KB）（133）

大型卷积神经网络因模型复杂难以部署于实际应用，而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题，对ShuffleNet V2进行改进，提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先，在ShuffleNet V2中引入混合注意力模块（Mixed attention module，MAM），提升模型对病害特征提取能力。其次，利用Ghost模块优化网络中卷积层，有效降低网络模型参数量和计算成本。最后，调整网络结构中ShuffleNet V2单元堆叠次数，进一步简化网络参数。结果表明，在自建柑橘叶片数据集中，MAM-ShuffleNet模型平均识别准确率达到97.7%；与原始ShuffleNet V2相比，其参数量降低了45.7%，识别准确率提升了1.2百分点；综合性能明显优于ResNet50、DenseNet121等模型。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于迁移学习和残差网络的谷子病害识别研究

张红涛, 罗一铭, 谭联, 杨加蓬, 王宇

河南农业科学 2023, 52 (12): 162-171. DOI: 10.15933/j.cnki.1004-3268.2023.12.018

摘要（825）

PDF （2368KB）（116）

针对谷子病害提出了一种基于迁移学习和残差网络（Residual CNN）的谷子病害图像识别方法。首先，建立由谷子白发病、谷瘟病、红叶病、锈病等4种病害图像以及正常谷子叶片图像组成的原始样本集；然后，采用基于超绿特征的最大类间方差法实现原始图像的分割，建立谷子病害分割图像数据集，并对该数据集进行扩充处理；最后，基于扩充后的谷子病害分割图像数据集，利用迁移学习和残差网络的思想建立谷子病害识别模型。结果表明，该模型的识别率达到98.2%，相较于基于支持向量机（SVM）的谷子病害识别模型提高了8.9百分点，同时该模型的训练时间相较于基于卷积神经网络（CNN）的谷子病害识别模型减少17.69 min。表明基于迁移学习和残差网络的谷子病害识别模型可有效地对4种谷子叶片病害进行识别。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于YOLOv3 改进算法的烟叶原料烟草甲识别方法研究

张卫正, 陈赛越扬, 王艳玲, 帖金鑫, 丁佳, 李萌, 李灿林, 苏晓珂, 甘勇

河南农业科学 2023, 52 (11): 157-166. DOI: 10.15933/j.cnki.1004-3268.2023.11.017

摘要（741）

PDF （10647KB）（110）

为了解决烟叶原料中烟草甲人工识别效率低、不准确的问题，实现烟草甲的精准、智能识别，提出一种基于YOLOv3改进算法的烟草甲识别模型。首先采用Random Mix数据增强技术扩充烟草甲数据集；然后，通过引入K-means++算法重新聚类锚框，改进YOLOv3对于烟草甲的识别能力；使用SIoU Loss改进YOLOv3的边界框损失函数，提高模型定位的准确性，加速模型收敛；最后加入特征细化模块过滤冲突信息，优化模型对烟草甲数据集中小目标识别的精准度。结果表明，改进的YOLOv3网络模型对测试集中烟草甲的平均检测精确率、召回率、F1分数和平均精度均值（mAP）分别达到93.26%、88.25%、0.90和94.59%，分别比现有的YOLOv3算法提高了12.21百分点、11.79百分点、0.12、12.40百分点，可为烟草甲的有效识别提供支撑。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于改进残差网络的苹果叶片病害识别研究

陈聪, 于啸, 宫琪

河南农业科学 2023, 52 (4): 152-161. DOI: 10.15933/j.cnki.1004-3268.2023.04.018

摘要（1046）

PDF （5367KB）（351）

苹果叶片病害形态相似、斑点大小不同，依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序，加入通道注意力机制和并行卷积的方式进行改进。训练过程中，将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练，达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明，REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练，在复杂背景下的苹果叶片病害识别中准确率达到97.69%，与传统卷积神经网络相比识别效果有较大提高。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于改进MobileNetV2 模型的农作物叶片病害识别研究

王焕鑫, 沈志豪, 刘泉, 刘金江

河南农业科学 2023, 52 (4): 143-151. DOI: 10.15933/j.cnki.1004-3268.2023.04.017

摘要（1196）

PDF （2715KB）（327）

为实现基于移动端的农作物叶部病害图像便捷识别，提高农作物病害识别效率进而更好地指导作物病害防治，基于改进的轻量级卷积神经网络MobileNetV2建立农作物病害识别模型。首先，建立含有15 种病害叶片和4 种健康叶片的农作物数据集，采用数据增强操作进行数据平衡。其次，对MobileNetV2 进行改进，引入高效通道注意力（Efficient channel attention，ECA）与注意力特征融合（Attentional feature fusion，AFF），并通过模型剪枝去除冗余层，建立了高性能的轻量级农作物病害识别模型。结果表明：改进MobileNetV2模型参数量与初始MobileNetV2参数量相比减少15.37%，同时识别准确率提升0.9个百分点，达到了98.4%。相比EfficientNet-b0、ShuffleNetV2-0.5X等经典卷积神经网络模型，改进的模型不仅识别准确率最高，且训练过程收敛速度更快。

参考文献 | 相关文章 | 多维度评价

Select

6. 基于实例分割的玉米虫害检测研究

赵康迪, 单玉刚, 袁杰, 赵元龙

河南农业科学 2022, 51 (12): 153-161. DOI: 10.15933/j.cnki.1004-3268.2022.12.018

摘要（658）

PDF （5388KB）（169）

为实现玉米虫害精准、快速识别，提出基于实例分割的卷积神经网络结合迁移学习的虫害检测方法。以草地贪夜蛾的卵、幼虫、成虫为检测对象，使用数据增强对图像数据进行扩充，将Yolact++模型在COCO数据集上的预训练权重迁移至草地贪夜蛾的检测。使用focal loss中解决难易样本不均衡的思想，优化模型中的损失函数。以Detnet模型改进Yolact++模型中Resnet主干模型部分，提高对小目标检测的效果。训练过程中使用卷积层先冻结再解冻、局部与全局相结合的训练方法，获得最优权重模型，并对模型进行测试。结果表明：该方法与YoloV3+迁移学习、SSD+迁移学习、Yolact+迁移学习、Yolact++等检测算法相比，对复杂背景图像检测有更好的准确率与漏检率，测试的准确率达到96.32%，漏检率为5.51%，误检率为5.33%。

参考文献 | 相关文章 | 多维度评价

Select

7. 基于无人机图像处理的大豆叶片病害识别准确率研究

谭秦红

河南农业科学 2021, 50 (3): 174-180. DOI: 10.15933/j.cnki.1004-3268.2021.03.023

摘要（1027）

PDF （2997KB）（345）

为了平衡无人机识别覆盖度与识别准确率之间的矛盾，实现大面积大豆病害的精确识别，利用简单线性迭代聚类(Simple linear literative clustering,SLIC)超像素方法处理无人机在高度为1、2、4、8、16 m获取的大豆叶片图像，提取叶片的颜色、梯度、纹理、形状特征后，基于这些属性的特征向量利用序列最小优化（Sequential minimal optimization,SMO)、J48决策树、最邻近(K-nearest neighbors,KNN)、随机森林算法对大豆叶片病害情况进行识别，得到不同算法对病害识别的准确度，并通过对比特征融合和单一特征时的病害识别准确度，分析输入参量对病害识别的影响。结果表明，无人机图像的拍摄高度为1 m和2 m时4种算法的准确率均在90%以上，SMO算法和随机森林算法的识别准确率较高。以融合特征向量为输入参量对大豆病害的识别准确率要高于单一特征向量，颜色是最能反映叶片病害实际情况的属性，无人机的最佳拍摄高度为1~2 m。

《河南农业科学》微信公众号	《河南农业科学》官网二维码