文献类型：期刊文章

作　　者：张宁[1,2] 吴华瑞[2,3,4] 韩笑[2,3,4] 缪祎晟[2,3,4]

ZHANG Ning;WU Huarui;HAN Xiao;MIAO Yisheng(College of Computer and Information Engineering, Beijing University of Agriculture, Beijing 102206, China;National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China;Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China;Key Laboratory of Agri-Informatics, Ministry of Agriculture and Rural Affairs, Beijing 100097, China)

机构地区：[1]北京农学院计算机与信息工程学院,北京102206 [2]国家农业信息化工程技术研究中心,北京100097 [3]北京农业信息技术研究中心,北京100097 [4]农业农村部农业信息技术重点实验室,北京100097

出　　处：《浙江农业学报》

基　　金：国家自然科学基金(61871041);国家大宗蔬菜产业技术体系岗位专家项目(CARS-23-C06);石家庄市科学技术研究与发展项目(201490074A)。

年　　份：2021

卷　　号：33

期　　号：7

起止页码：1329-1338

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益。利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(convolutional block attention module,CBAM)模块,增强了病害信息表达并抑制无关信息干扰;同时引入迁移学习,防止样本数据量较少时出现过拟合的情况。为了评价优化模型的有效性,在Plant Village公开番茄病害数据集上进行了实验仿真测试。改进的模型在测试阶段对番茄健康叶片、细菌性斑疹病、晚疫病、叶霉病和黄曲病5种番茄常见叶片图像分类准确率达到98.4%,优化效果显著。为了进一步验证该方法在不同物联网中的普适性,实验对比了模型对不同分辨率病害图像的分类效果,结果表明,图像精度部分损失不会降低病害分类准确率。该模型能够为番茄温室智能网络决策判断提供重要依据。

关 键 词：番茄 多尺度卷积  注意力机制  迁移学习  病害识别

分 类 号：TP391] S436.412[计算机类]