基于卷积神经网络和叶绿素荧光成像的绿豆叶斑病识别研究
张浩淼1
高尚兵2
蒋东山1
李洁1
袁星星3
陈新3
刘金洋3
1.淮阴工学院计算机与软件工程学院,江苏淮安 223001;江苏省农业科学院经济作物研究所,江苏南京 2100142.淮阴工学院计算机与软件工程学院,江苏淮安 2230013.江苏省农业科学院经济作物研究所,江苏南京 210014
摘要：为了解决绿豆叶斑病不同病害等级之间容易混淆的问题,本研究以感染不同程度叶斑病的绿豆叶片叶绿素荧光图像为研究对象,提出了多模块串联卷积神经网络(Multi-Module Sequential Convolutional Neural Network,MMS-Net)模型.该模型主要由本研究搭建的Sub模块和Wave模块串联堆叠组成,并且在每个Sub模块中和每个Wave模块结尾处加入混合注意力机制CBAM,在减少非叶斑病特征干扰的同时,对相似病斑进行更为细致的特征提取,提高病害识别的准确率.在相同条件下,与经典的卷积神经网络模型(VGG16、GoogLeNet、ResNet50)以及流行的轻量级卷积神经网络模型(MobileNetV2、MobileNeXt、MobileNetV3、Shuffle-NetV2)进行比较,本研究提出的MMS-Net模型参数量仅为11.43 M,测试准确率达到91.25％,均高于其他模型,分类效果最优.通过分析精度、召回率、Fl分数等评价指标可以看出MMS-Net模型具有较好的鲁棒性和泛化能力.本研究结果可为绿豆等作物的抗病种质资源识别和筛选提供新思路.
关键词：绿豆叶斑病病害等级卷积神经网络叶绿素荧光成像注意力机制
分类号：S126(农业物理学)S522(豆类作物)
资助基金：国家自然科学基金(62076107)科技部重点研发政府间国际合作项目(2019YFE0109100)江苏省一带一路国际合作项目(BZ2022005)江苏省种业揭榜挂帅项目(JBGS(2021)004)江苏省研究生科研与实践创新计划项目(SJCX24_2145)
论文发表日期：2024-09-28
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：9( 133-141 )
英文信息