文献类型：期刊文章

作　　者：胡志伟[1] 杨华[1] 黄济民[2] 谢倩倩[2]

HU Zhiwei;YANG Hua;HUANG Jiming;XIE Qianqian(College of Information Science and Engineering,Shanxi Agricultural University,Taigu 030801,China;School of Computer Science,Wuhan University,Wuhan 430072,China)

机构地区：[1]山西农业大学信息科学与工程学院,山西太谷030801 [2]武汉大学计算机学院,湖北武汉430072

出　　处：《华南农业大学学报》

基　　金：国家自然科学基金(31671571);国家自然科学基金青年基金(21803037)

年　　份：2019

卷　　号：40

期　　号：6

起止页码：124-132

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、FSTA、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、ZR、核心刊

摘　　要：【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。

关 键 词：细粒度 注意力机制  残差网络  卷积网络  番茄叶片 病害识别

分 类 号：S436.36] TP391.4]