农业机械学报

作者：罗洋，何自芬，张印辉，陈光晨

单位：红塔烟草（集团）有限责任公司昭通卷烟厂,昆明理工大学,昆明理工大学,昆明理工大学,

关键词：作物叶片等级;作物叶片病害;目标检测;信息共享;多感受野特征融合

基金：国家自然科学基金项目（62171206、62061022）和中国烟草总公司云南省公司烟叶智能分级项目（HZ2021K0462A）

作物叶片等级和病害的快速准确识别对开发农业智能设备以促进农产品精细化管理有着重要意义。针对作物叶片等级和病害识别准确率低、成本高等问题，提出主干信息共享与多感受野特征自适应融合的作物叶片等级和病害识别算法(Crop leaf grade and disease recognition network，CLGDRNet)。首先，CLGDRNet采用CSPNet、GhostNet、ShuffleNet构建特征提取主干网络，同时将CSPNet、GhostNet、ShuffleNet所提取的特征信息进行共享以达到信息互补的目的；其次，设计多感受野特征自适应融合模块(Multi-receptive field feature adaptive fusion module，MRFA)，将不同感受野特征图进行自适应加权融合，在增强模型局部感受野的同时突出有效通道信息；最后，提出一种深层梯度跨空间学习高效多尺度注意力模块（Efficient multi-scale attention mechanism with deep gradient cross-space learning，EMAD），将EMAD嵌入模型的颈部以获取深层梯度信息和目标坐标信息并跨空间融合不同尺度的上下文信息，使模型能够对深层特征图产生更精确的像素级关注。实验结果表明，CLGDRNet在初烤烟叶分级数据集（Tobacco leaf grading dataset, TLGD）上识别精度mAP@0.5和mAP@0.5：0.95分别达到85.0%、76.1%，在苹果叶病害数据集（Apple leaf disease dataset, ALDD)上识别精度mAP@0.5和mAP@0.5：0.95分别达到97.6%、74.2%。相较于多种先进目标检测算法，CLGDRNet具有更高的识别精度，可为高精度作物叶片等级和病害识别提供关键技术支撑。

来源：2025年第1期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第1期