基于改进残差网络的农作物病虫害检测研究 (1).pdfVIP

第33卷摇 第5期 计 算机 技 术 与发 展 Vol.33摇 No.5 2023年5月 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 COMPUTERTECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 May摇 2023 基于改进残差网络的农作物病虫害检测研究 1 1,2,3 1 1 1 白雪松 ,吴建平 ,景文超 ,崔亚楠 ,康小霖 (1.云南大学信息学院,云南 昆明 650504; 2.云南省电子计算中心,云南 昆明 650223; 3.云南省高校数字媒体技术重点实验室,云南 昆明 650223) 摘摇 要:针对病虫害症状相似导致类间差异小、难以区分的问题,提出一种基于Res2NeXt50改进模型的农作物病虫害检测 算法。 首先,在Res2Net50模型中进行分组卷积得到Res2NeXt50模型,提高了模型在细粒度层面的特征提取能力。 然后, 将7伊7卷积换成新的混合卷积,提取局部和全局特征;使用高斯误差线性单元(Gaussian Error Linear Unit,GELU)函数代替 残差块中的修正线性单元(Rectified Linear Unit,ReLU)函数,提高鲁棒性;改进下采样来增强信息流通性;调整网络层数, 以减少模型计算量。 其次,在训练中使用标签平滑(Label Smoothing)和指数移动平均(Exponential Moving Average,EMA) 来提高模型的泛化能力。 在重组的AI Challenger2018农作物病虫害数据集上进行实验,结果表明改进模型的准确率高达 98.79%,参数量为18.20M,FLOPs为3.73G。 同时,该模型在Plantvillage 和Plant_leaves数据集中分别达到了99.89%和 99.23%的准确率。 所提出的算法模型识别准确率高,泛化能力强,更符合实际应用需求。 关键词:农作物病虫害;卷积神经网络;Res2NeXt50;混合卷积;标签平滑;细粒度特征 中图分类号:TP312摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2023)05-0145-07 doi:10.3969/j.issn.1673-629X.2023.05.022 Research on Detection of Crop Disease and Insect Pest Based on Improved Residual Network 1 1,2,3 1 1 1 BAI Xue-song ,WU Jian-ping ,JING Wen-chao ,CUI Ya-nan ,KANG Xiao-lin (1.School of Information Science Engineering,Yunnan University,Kunming650504,China; 2.Yunnan Provincial Electronic Computing Center,Kunming650223,China; 3.Digital Media Technology Key Laboratory of Universitiesand Collegesin Yunnan Province,