基于改进ConvNext的复杂背景下玉米叶片病害分类  

Maize leaf disease cassifcation under complex background based on improved ConvNext

作　　者：马晓 邢雪[1] 武青海 Ma Xiao

机构地区：[1]吉林化工学院信息与控制工程学院,吉林吉林132022 [2]吉林农业科技学院电气与信息工程学院,吉林吉林132101

出　　处：《江苏农业科学》2023年第19期190-197,共8页Jiangsu Agricultural Sciences

基　　金：吉林省智慧农业工程研究中心项目(编号:JLNKU2015);吉林省特色高水平学科新兴交叉学科“数字农业”(编号:JLXK20180319);吉林省高等教育教学改革研究课题(编号:JLJY202338594176)。

摘　　要：针对玉米叶片病害分类过程中存在叶片背景复杂且背景与被识别叶片具有较高相似度的问题,提出一种改进的ConvNeXt算法。首先通过随机遮挡等数据增强操作多样化病害数据集,增强网络的抗干扰能力,从而提高了模型的鲁棒性。其次,为了提高网络的分类准确度,在ConvNeXt网络的基础上融合多个注意力模块,使网络更加关注具有判别性的特征,以减少背景的干扰,并在注意力模块中使用LeakyReLu激活函数从而避免网络在输入为负值时神经元不学习的情况。最后,以具有3种玉米常见叶片病害的图像和健康叶片作为分类样本,采用改进后的ConvNeXt模型与相同样本数量和条件下的原ConvNeXt、ResNet50以及Swin Transformer进行试验和对比分析,试验表明,改进后的网络模型在测试集的平均分类准确率为91.77%,优于ResNet50(85.64%)、ConvNeXt-T(79.91%)和Swin Transformer(89.09%)3个对比模型,证明了通过改进后的ConvNeXt进行叶片病害的特征提取,提高了在复杂背景下玉米叶片病害的分类精度。

关 键 词：图像分类 ConvNeXt 注意力机制 数据增强 玉米 叶片病害 

分 类 号：S126[农业科学—农业基础科学] TP181[自动化与计算机技术—控制理论与控制工程]