基于ResNet模型的玉米叶片病害检测与识别  

Detection and identification of corn leaf disease based on ResNet model

作　　者：熊梦园 詹炜[1] 桂连友[2] 刘虎 王佩文 韩涛 李伟豪 孙泳 Xiong Mengyuan

机构地区：[1]长江大学计算机科学学院,湖北荆州434023 [2]湖北省农林病虫害预警与调控工程技术研究中心/长江大学农学院,湖北荆州434025

出　　处：《江苏农业科学》2023年第8期164-170,共7页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金面上项目(编号:31772206、31972274);中国高校产学研创新基金新一代信息技术创新项目(编号:2020ITA03012)。

摘　　要：针对当前玉米病害发生量大、病情复杂、难以防治,严重影响玉米产量和质量的问题,提出了一种基于卷积神经网络和迁移学习的玉米叶片病害检测与识别方法。首先收集了3 827张玉米健康叶片图像和3种不同的玉米病害叶片图像样本,为了使模型拥有更好的泛化能力,使用生成对抗网络对样本进行处理,得到分辨率更高的样本,再对样本进行平移旋转,使样本数量达到5 153张。然后构建ResNet模型,分别对ResNet34、ResNet50及对其添加CBAM注意力机制和FPN特征金字塔网络,并通过迁移学习方法将预训练权重迁移到训练模型中。试验结果表明,ResNet50结合CBAM注意力机制模型的准确率达到了97.5%,相比ResNet50模型准确率提升了4.2百分点,相比ResNet34模型准确率提升了4.9百分点。本研究表明,提出的ResNet50结合CBAM注意力机制模型能够较精准地检测识别玉米枯萎叶、锈病叶、灰斑病叶和健康叶。并可将模型安装在无人机等移动设备上,实现对玉米叶片病害智能化防治,而且后期还会扩充更多的植物病害数据,实现对多类植物病害的检测,为智慧农业添砖加瓦,促进农业防治现代化。

关 键 词：玉米病害识别 ResNet CBAM注意力机制 智慧农业 计算机视觉 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术]