面向大规模多类别的病虫害识别模型.pdf
第 38 卷 第 8 期 农 业 工 程 学 报 Vol.38 No.8 2022 年 4 月 Transactions of the Chinese Society of Agricultural Engineering Apr. 2022 169 面向大规模多类别的病虫害识别模型 1,4 1 1 1 2 3 1,4※ 温长吉 ，王启锐 ，陈洪锐 ，吴建双 ，倪 军 ，杨 策 ，苏恒强 （1. 吉林农业大学信息技术学院，长春 130118 ；2. 南京农业大学农学院，南京 210095 ；3. 明尼苏达大学食品、农业与自然资源 科学学院，圣保罗 55108 ；4. 吉林农业大学智慧农业研究院，长春 130118 ） 摘 要：早期病虫害精准识别是预警和防控的关键，但是病虫害种类繁多数量巨大，外部形态存在类间相似度较高而类 内差异性较大等性状特征，导致病虫害识别仍然是一项极具挑战的工作。为实现病虫害识别分类任务中差异化特征的提 取和表示，该研究提出一种大规模多类别精细病虫害识别网络模型（a large-scale multi-category fine-grained pest and disease network ，PD-Net ）。首先通过在基准网络模型中引入卷积块注意力模型，通过混合跨特征通道域和特征空间域实现模型 在通道和空间两个维度上对关键特征提取和表示，用以增强网络对差异化特征的提取和表示能力。其次引入跨层非局部 模块，提升模型在多个特征提取层之间对于多尺度特征的融合。在 61 类病害数据集和 102 类虫害数据集上的试验结果表 明，对比AlexNet 、VGG16 、GoogleNet、Inception-v3 、DenseNet121 和 ResNet50 模型，该研究提出的面向大规模多类别 病虫害识别模型，Top1 识别准确率在病害和虫害集上分别达到 88.617%和 74.668%，精确率分别达到了 0.875 和 0.745， 召回率分别达到 0.874 和 0.738，F 1 值达到 0.874 和 0.732，试验结果对比其他模型均有一定幅度的提升，验证了 PD-Net 模型在大规模多类别病虫害识别上的有效性。 关键词：模型；深度学习：病虫害；精细分类；卷积块注意力模块；跨层非局部模块 doi ：10.11975/j.issn.1002-6819.2022.08.020 中图分类号：S24 ；TP391.41 文献标志码：A 文章编号：1002-6819(2022)-08-0169-09 温长吉，王启锐，陈洪锐，等. 面向大规模多类别的病虫害识别模型[J]. 农业工程学报，2022，38(8)：169-177. doi ：10.11975/j.issn.1002-6819.2022.08.020 Wen Changji, Wang Qirui, Chen Hongrui, et al. Model for the recognition of large-scale multi-class diseases and pests[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 169-177. (in Chinese with English abstract) doi ：10.11975/j.issn.1002-6819.2022.08.020 是仍然需要人工干预特征设计，并且特征设计和目标识 0 引 言
相关知识
面向大规模多类别的病虫害识别模型
【免费】Ip102:害虫识别的大规模基准数据集
六项作物病虫害识别监测农研最新进展
【农业科普】六项作物病虫害识别监测农研进展
农作物病虫害识别进展概述
模型案例：| 大豆虫害识别模型！
智能识别花生病虫害：应用迁移学习与CNN
YOLO模型实现农作物病虫害虫识别带GUI界面
Ip102：推动害虫识别技术的前沿数据集
基于深度学习的病虫害智能化识别系统
网址: 面向大规模多类别的病虫害识别模型.pdf https://m.huajiangbk.com/newsview548059.html
| 上一篇: 基于粗糙集和人工神经网络的虫害预 |
下一篇: 基于Mask R |
