农业机械学报

作者：鲍文霞，赵诗意，黄林生，梁栋，胡根生

单位：安徽大学,安徽大学,安徽大学,安徽大学,安徽大学,

关键词：小麦条锈病;小麦叶锈病;病害识别;轻量级卷积神经网络;Molile-DMSANet

基金：安徽省自然科学基金项目(2208085MC60)、安徽省省厅高校科研计划项目(2023AH050084)和国家自然科学基金项目(62273001、32372632)

人工诊断小麦锈病成本高、效率低，已无法满足现代农业生产的需要。本文提出了一种轻量级密集多尺度注意力网络模型(Mobile-Dense multi-scale attention net, Mobile-DMSANet)，用于自动识别田间自然场景中的小麦叶部锈病（条锈病和叶锈病）。该模型在输入层设计了一个快速下采样模块(Fast subsampling block, FSB)，它在不增加计算成本的前提下提高模型的特征表达能力。模型的特征提取层使用3个轻量级特征提取模块(Dense multi-scale attention, DMSA)来提取小麦叶部锈病的特征。DMSA模块设计了一个多尺度的3路卷积层(Multi-scale three-way convolution, MSTC)用于获得不同尺度感受野，以提高模型的表达能力和对不同尺寸锈病的感知能力。DMSA模块中6个MSTC层通过密集连接实现特征重用，不仅大大减少了模型的参数量，而且提高了对这两种相似的小麦叶部锈病的特征提取能力。在DMSA模块中还引入了协调注意力机制(Coordinated attention, CA)，来提高对病害信息的敏感性，并抑制图像中的背景信息。模型的输出层使用Softmax函数实现小麦叶部锈病识别。结果表明，Mobile-DMSANet模型在测试数据集上的识别准确率为96.4%，高于经典CNN模型(如ResNet50、AlexNet)和轻量级CNN模型(如ShufflenetV2、DenseNet系列)。Mobile-DMSANet参数量为4.54×105，与其他轻量级模型相比大幅下降。本文所设计模型可用于移动端小麦叶部锈病的自动识别。

来源：2024年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第11期