文献类型： 中文期刊

作者： 余骥远 ¹ ; 高尚兵 ¹ ; 李洁 ¹ ; 陈新 ² ; 李士丛 ² ; 张浩淼 ¹ ; 袁星星 ² ; 唐琪 ¹ ;

作者机构： 1.淮阴工学院

2.江苏省农业科学院经济作物研究所

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。