基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类

文献类型： 中文期刊

第一作者： 余骥远

作者： 余骥远;高尚兵;李洁;陈新;李士丛;张浩淼;袁星星;唐琪

作者机构：

关键词： 绿豆叶斑病;图像分类;卷积神经网络;多尺度特征;高光谱图像

期刊名称： 江苏农业科学

ISSN： 1002-1302

年卷期： 2023 年 006 期

页码： 178-186

收录情况： 北大核心

摘要： 为在绿豆播种过程中提高叶斑病的识别准确率，以实验室获取的高光谱图像为研究对象，提出基于MS-PLNet（multiscale-PlantNet）和高光谱图像的绿豆叶斑病病级分类方法。将绿豆叶片彩色图像通过专业设备转换为高光谱格式，依据病斑大小占叶面积比例，将高光谱图像标注为高抗、抗、中抗、中感、感病5个类别，构成本试验的数据集，然后建立MS-PLNet卷积神经网络模型，该图像分类模型包括图像输入、多尺度特征提取、特征融合、分类等4个阶段。为提高模型对输入不同分辨率图像的适用性，将多尺度图像输入到多尺度特征提取模块，获取分类需要的特征图；为将不同尺度的特征图进行特征融合，通过不同步长的下采样和上采样操作，获取特征融合阶段的输入特征图；为在最终分类阶段获取对分类起作用的特征图，采用通道注意力机制让分类器关注有用的特征，抛弃冗余特征；最后通过使用softmax分类器实现对高光谱图像中高抗、抗、中抗、中感、感病5个绿豆叶斑病病级的分类。通过与已有图像分类方法进行比较，MS-PLNet在训练时获得了最高的验证准确率，训练300次验证准确率为96.8%,训练1 000次验证准确率为98.4%;在获得最高验证准确率的同时，训练时间大大缩短，MobileNet-V3在所有与本研究方法进行比较的先进方法中训练时间较短，但是训练300次所花费的时间是MS-PLNet的1.59倍，训练1 000次所花费的时间是MS-PLNet的1.12倍。本研究提出的MS-PLNet模型计算量为0.39 GMac,参数数量为7.75 million,能够高效利用GPU资源。对5个类别的叶斑病图像进行分类时，分类的平均精度达到95.0%,召回率达到99.9%,可以实现叶斑病的高精度识别。本研究所提出的基于MS-PLNet和高光谱图像的分类方法，能够对绿豆叶斑病进行有效的病级分类，同时该方法可以输入多个尺度的图像并且具有较小的参数，可以应用于移动设备实现真实环境下的绿豆叶斑病识别。

分类号： TP751%S435.22

  • 相关文献

[1]基于烟花算法降维的高光谱图像分类. 崔颖,宋国娇,陈立伟,刘述彬,王立国. 2017

[2]Stacking Learning在高光谱图像分类中的应用. 徐凯,崔颖. 2018

[3]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,高尚兵,蒋东山,李洁,袁星星,陈新,刘金洋. 2024

[4]基于机器学习和无人机图像的棉花密度识别研究. 张静,王清茹,雷亚平,王占彪,韩迎春,李小飞,邢芳芳,范正义,李亚兵,冯璐. 2021

[5]基于卷积神经网络的柑橘病害叶片分类算法. 施宇,李敏. 2022

[6]基于MSRA初始化卷积神经网络的草地牧草分类研究. 刘一磊,刘江平,赵烜赫,马玉宝,闫伟红,潘新. 2021

[7]基于PMMS-Net和叶绿素荧光成像的绿豆叶斑病抗性鉴定方法. 李洁,高尚兵,余骥远,陈新,李士丛,袁星星. 2024

[8]2011年7月29日山西大暴雨过程的多尺度特征. 苗爱梅,王洪霞,李苗,逯张禹,郝振荣. 2014

[9]基于新型监测资料对2013年7月4日的暴雨多尺度特征分析. 苗爱梅,王洪霞,李苗,郝振荣,逯张禹. 2015

[10]基于注意力网络尺度特征融合的遥感场景分类. 帖军,肖鹏飞,郑禄,马海荣,彭丹. 2024

[11]改进YOLOv3的多尺度高分辨率特征增强图像目标检测. 杨文姬,李浩,王映龙,梅梦. 2023

[12]用于高光谱图像分类的归一化光谱指数的构建与应用(英文). 张东彦,赵晋陵,黄林生,马雯萩. 2014

[13]RADARSAT-2全极化SAR数据地表覆盖分类. 程千,王崇倡,张继超. 2015

[14]基于二进制编码的烟花聚类算法. 李雪源,崔颖. 2016

[15]基于深度学习与多尺度特征融合的烤烟烟叶分级方法. 鲁梦瑶,周强,姜舒文,王聪,陈栋,陈天恩. 2022

[16]遥感图像分类中混合像元分解方法研究. 吴黎,张有智,解文欢,王鹏,刘媛媛,李栓. 2011

[17]基于深度学习分类模型的4种果树物候期识别. 钟丹,李宗南,王思,黄平,邱霞,蒋怡. 2023

[18]基于可见光谱和改进注意力的农作物病害识别. 孙文斌,王荣,高荣华,李奇峰,吴华瑞,冯璐. 2022

[19]多核学习算法及其在高光谱图像分类中的应用研究进展. 李广洋,寇卫利,陈帮乾,代飞,强振平,吴超. 2021

[20]基于深度学习的刺网与拖网作业类型识别研究. 汤先峰,张胜茂,樊伟,裴凯洋. 2020

作者其他论文 更多>>

微信小程序