农业机械学报

作者：黄林生，罗耀武，杨小冬，杨贵军，王道勇

单位：安徽大学,安徽大学，北京农业信息技术研究中心,北京农业信息技术研究中心，浙江大学,北京农业信息技术研究中心,安徽大学,

关键词：农作物病害识别;残差网络;特征提取;多尺度卷积;注意力机制

基金：广东省重点领域研发计划项目(2019B020216001)、国家自然科学基金项目(41771469)和安徽省高等学校自然科学研究重点项目 (KJ2019A0030)

针对传统农作物病害识别方法依靠人工提取特征，步骤复杂且低效，难以实现在田间环境下识别的问题，提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络（ResNet18）的基础上进行改进，引入Inception模块，利用其多尺度卷积核结构对不同尺度的病害特征进行提取，提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net（Squeeze-and-excitation networks），增强了有用特征的权重，减弱了噪声等无用特征的影响，进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明，改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%，相较于原ResNet18模型准确率提高10.92个百分点，模型占用内存容量仅为44.2MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力，可以提取到更多的病害特征信息，并且较好地平衡了模型的识别精度与模型复杂度，可为田间环境下农作物病害识别提供参考。

来源：2021年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第10期