基于SC-ConvNeXt网络模型的小麦叶片病害识别方法  

A wheat leaf disease recognition method based on SC-ConvNeXt network model

作　　者：董天亮 李佳[1] 马晓 武青海 Dong Tianliang

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》2025年第5期129-138,共10页Jiangsu Agricultural Sciences

基　　金：吉林省特色高水平学科新兴交叉学科“数字农业”项目(编号:20231103)。

摘　　要：当利用卷积神经网络进行小麦病害识别时,在模型训练阶段通常需要用到大量的数据标签,然而数据标记工作既复杂又昂贵,而模型识别效果容易受自然环境下复杂因素的干扰。针对这些问题,提出一种融合SimCLR预训练框架与改进的CBAM注意力机制的小麦病害识别模型SC-ConvNeXt。该模型以ConvNeXt-T为特征提取网络,首先,采用自监督的SimCLR预训练框架学习类间的相似性,减少训练阶段带标签数据的使用;然后,在ConvNeXt-T每个阶段加入CBAM注意力机制,以提高模型在复杂背景下的特征提取能力和泛化能力,并将每个注意力模块中的损失函数改进为LeakyReLu激活函数,从而避免出现输入为负值时神经元失活的情况;最后,通过引入Focal Loss损失函数,改善难易分类样本间数量不平衡问题。使用数据集来自吉林农业科技学院“智慧农业”平台,包含2种小麦病害和健康小麦数据,在多种数据增强方式扩充数据集后,依次验证了添加SimCLR、注意力机制的有效性;同时设置对比试验与4种经典的分类模型进行对比分析。结果表明,本研究提出的SC-ConvNeXt网络模型在测试集的平均分类准确率为91.37%,在所有对比模型中最优,且在训练过程中无需额外使用带标签的数据,证明了小麦病害识别模型在不需要额外带标签数据训练的前提下,有效提升了对自然环境下的小麦病害识别的性能。

关 键 词：图像分类 病害识别 小麦 自监督学习 

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]