基于改进残差网络的田间葡萄霜霉病病害程度分级模型

• 作者: 何东健 王鹏 牛童 毛燕茹 赵艳茹
• 来源期刊: 农业机械学报
• 学科: 农学
• 关键词: 葡萄 霜霉病 病害程度 残差网络 深度学习 分级
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 农业信息化工程|Agricultural Informatization Engineering
• 页码范围: 235-243
• 页数: 9页
• 分类号: S24|TP391.4
• 语种: 中文
• DOI: 10.6041/j.issn.1000-1298.2022.01.026

摘要

针对传统葡萄霜霉病人工诊断分级方法低效且存在滞后性的问题,提出了一种改进残差网络的田间葡萄霜霉病识别及病害程度分级模型.在田间采集霜霉病前期、中期、后期以及健康叶片图像,并模拟天气、拍摄角度及设备噪声等影响因素进行数据增容;基于不同发病程度叶片间特征相似度高、区分难度大的特点,在优选ResNet-50模型的基础上,为解决捷径分支信息损失严重和主分支特征提取能力不足的问题,在多个残差块组成的残差体的Base Block中加入步长为2的3×3最大值池化层,实现保留重要信息的降维;改进ID Block中残差块的主分支结构,将其中的第1层1×1降维卷积层替换为3×3降维卷积层且步长为1;设计新的全连接层,用全局均值池化和3层全连接层网络替换原模型全连接层结构,并加入Dropout(随机失活)层避免模型过拟合.原始数据集和增容后数据集试验结果表明,动量因子m为0.60、学习率α为0.001时,改进ResNet-50网络模型与ResNet-34/50/101、AlexNet、VGG-16、GoogLeNet等模型相比具有最好的识别效果.改进后的残差块增强了网络的特征提取能力,在优化超参数的基础上,相较于原始模型准确率提升了2.31个百分点;不同的数据增强方式对提高模型识别准确率均有一定贡献,在综合各种增强方式的数据集上改进残差网络模型的识别准确率高于原始模型4.68个百分点,达到99.92％.本文为复杂环境下葡萄霜霉病病害程度的自动分级提供了一种实时、准确的解决方法.