科研之友
微信
新浪微博
Facebook
分享链接
摘要
在作物染病早期，及时获取作物病害信息，判别染病原因和严重程度，从而对症下药，能够及时防治病害扩散造成的作物产量下降。针对传统深度学习网络对作物早期病害识别方法准确率低的问题，基于病害特征图像各通道包含的信息量不同，及多层感知机(Multilayer Perceptron, MLP)能逼近任意函数的特点，提出了一种改进注意力机制的多叉树网络作物早期病害识别方法，将注意力机制融合残差网络对病害特征重校准(SMLP＿Res);同时结合多叉树结构对具有较高特征提取能力的SMLP＿ResNet(Squeeze-Multi-Layer Perceptron ResNet)网络进行扩展，构建的多叉树SMLP＿ResNet网络模型可以简化多作物早期病害识别任务，有效提取早期病害特征。实验中使用Plant Village和AI Challenger 2018两种数据集对18层的ResNet, SE＿ResNet, SMLP＿ResNet这3种网络模型，以及同等结构的多叉树结构模型进行训练，验证了SMLP＿Res和多叉树结构对作物病害识别模型的影响。通过实验分析得到18层的ResNet, SE＿ResNet, SMLP＿ResNet这3种网络模型在病害特征较明显的Plant Village数据集上病害识别的准确率均达到99%以上，但在早期病害数据集AI Challenger 2018上的准确率均不超过87%,SMLP＿ResNet因加入了SMLP＿Res模块，故对作物病害数据特征提取较为充分，检测结果较好。多叉树结构的3种早期病害识别模型，在AI Challenger 2018数据集上识别准确率均有明显提升，多叉树SMLP＿ResNe较其余两种模型具有较好的性能，其中樱桃早期病害识别准确率为99.13%,检测结果最佳。文中提出的多叉树SMLP＿ResNet作物早期病害识别模型，能够简化识别任务，抑制噪声传输，达到了较高的准确率。
