针对多农作物病虫害的一种深度细粒度识别方法  

A deep fine-grained recognition method for multi-crop diseases and pests

作　　者：顾洁 缪艺缘 高尚 李文杰 邵长斌 秦斌 Gu Jie

机构地区：[1]江苏科技大学计算机学院,江苏镇江212100

出　　处：《江苏农业科学》2025年第5期258-265,共8页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:62376109)。

摘　　要：多农作物场景下的病虫害识别任务存在农作物与病虫害间“多对多”的对应关系,加剧了病虫害识别中类内差异大及类间差异小的问题。本研究以深度残差网络为骨干架构,提出一种深度细粒度病虫害识别方法。针对训练数据稀缺问题,采用动态数据增强技术增加样本数据的多样性。针对农作物在叶片纹理等表象特征存在细微差异的问题,在网络结构中注入通道注意力机制模块,增强模型对细节性信息的表征能力。在训练实施方面,利用间隔余弦损失来代替常规交叉熵损失函数;该损失通过在嵌入特征层面加大类间空余度,强化类间分离度,进而间接增进类内聚集度。以自组数据集(10种作物及其对应的27种病害图像样本)为研究对象,开展多农作物场景下病虫害识别的方法实践。试验结果证明本研究方法有效,相较于典型ResNet18、AlexNet、VGG16、ResNet50、DenseNet模型,本研究方法在识别精确度上分别提高1.80、2.13、1.88、2.38、1.72百分点。对于多农作物场景下病虫害识别的难点,本研究方法从数据增广、模型结构改进、损失函数设计3个层面给出针对性解决方案,期待其为农作物智能识别技术提供理论基础。

关 键 词：农作物病虫害 细粒度图像识别 余弦相似度损失 通道注意力 

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]