基于改进通道注意力机制的农作物病害识别模型研究  

Study on crop disease identification model based on improved channel attention mechanism

作　　者：肖天赐 陈燕红[1,2,3] 李永可 李雨晴[1] 罗玉峰 Xiao Tianci

机构地区：[1]新疆农业大学,新疆乌鲁木齐830052 [2]智能农业教育部工程研究中心,新疆乌鲁木齐830052 [3]新疆农业信息化工程技术研究中心,新疆乌鲁木齐830052 [4]社旗县中等职业学校,河南社旗473399

出　　处：《江苏农业科学》2023年第24期168-175,共8页Jiangsu Agricultural Sciences

基　　金：新疆维吾尔自治区重大科技专项(编号:2022A02011)。

摘　　要：准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。

关 键 词：农作物病害识别 通道注意力机制 残差网络 迁移学习 数据增强 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]