农业机械学报

作者：姜红花，杨祥海，丁睿柔，王东伟，毛文华，乔永亮

单位：山东农业大学,山东农业大学,山东农业大学,青岛农业大学,中国农业机械化科学研究院集团有限公司,悉尼大学,

关键词：苹果叶部病害;ResNet18;注意力机制;随机裁剪;深度学习

基金：山东省农业重大应用技术创新项目(SD2019NJ001)和山东省重大科技创新工程项目(2019JZZY010716)

针对传统苹果叶部病害分类方法精准性差、效率低等问题，提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支，强化网络对叶部病害区域的特征提取能力，提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征，引入特征图随机裁剪分支，不仅实现有限样本空间的扩充，还进一步优化网络结构，提高训练速度。试验以苹果5类常见的叶部病害（黑星病、黑腐病、雪松锈病、灰斑病、白粉病）为主要研究对象，并与主流分类算法模型进行对比。试验结果表明，所提ResNet18-CBAM-RC1模型病害分类准确率可达98.25%，高于ResNet18(93.19%)和VGG16(96.13%)，能够有效提取叶片病害特征，增强对多类病害的识别，提高识别准确率。此外，模型内存占用量仅为37.44MB，单幅图像推理时间为9.11ms，可满足嵌入式设备上果园病害识别的实时性要求。

来源：2023年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第4期