一種基于深度學習的玉米病害識別方法

鄭 鋮, 董 偉, 高海濤*

(1.安徽科技學院 電氣與電子工程學院,安徽 蚌埠 233030;2.安徽省農業科學院,安徽 合肥 230001)

玉米是一種高產量糧食作物,是食品、醫療衛生、化工業等重要領域必不可少的原料之一[1]。玉米病害可以直接導致其產量急劇減少,常見的病害有大斑病、小斑病、銹病等。傳統的農作物病害診斷通常依賴專家判斷為主[2],其檢測方法效率低、主觀性強、耗時耗力,不適合大區域場景。因此,研究一種識別準確率高,并且適用于大區域場景的玉米病害識別方法就顯得尤為重要[3-5]。

近年來,卷積神經網絡(Convolutional Neural Networks,CNN)被廣泛應用于各種領域,在農業病害識別領域也成效顯著[6-9]。許景輝等[10]對田間復雜的玉米病害圖像進行識別,提出了一種基于遷移學習的VGG16網絡模型,設計了全新的全連接模塊,其準確率達到95.33%。趙玉霞等[11]分別利用粗糙集理論、遺傳算法、局部判別映射和局部線性嵌入算法對提取的病害特征進行識別,準確率依次為83.00%、90.00%、94.40%和99.50%。Qiu等[12]基于遷移學習的VGG16網絡模型對水稻的10種病害進行識別,對VGG16網絡模型進行了參數微調和線性判別,準確率達到了97.08%。徐巖等[13]針對馬鈴薯葉片病害,提出一種基于注意力和殘差思想的ResNet模型,并對其進行訓練研究,平均識別準確率為93.86%。楊晉丹等[14]以草莓葉部白粉病為研究對象,設計了3種網絡深度和3種卷積核交叉組合的CNN模型,識別準確率達到98.61%。孫俊等[15]結合注意力機制對MobileNet-V2模型進行了改進與優化,對多種植物葉片病害進行識別,改進后的模型識別準確率為92.20%。……