基于计算机视觉的苹果叶病害识别方法研究.pdf

摘要

摘要

当今农业技术的发展日新月异，农作物的健康状况直接关系到农业生产的成

败。苹果作为一种重要的水果作物，在其生长过程中常受到各种病害的侵袭，其

中叶病害是影响苹果产量和质量的主要因素之一，苹果叶病的分类对于苹果叶病

的防治和促进增产增收具有重要意义。以往的苹果叶病害防治工作需要有经验的

农民以及植物保护专家人为判别，费时费力。为了及时有效地应对苹果叶病害，

迫切需要病害诊断的智能化以提高病害监测和管理的效率。本文旨在研究计算机

视觉领域中苹果叶病类型的识别方法和卷积神经网络模型，为苹果叶病以及农作

物病害防治和早期预警提供技术支持。本文研究的主要内容如下：

（1）为了提高模型对于苹果叶病斑区域特征的学习能力，本章提出了基于

MobileNetV2结合坐标注意力机制的苹果叶病害识别模型。以MobileNetV2为基

本模型，通过结合坐标注意力提升模型对病斑区域的关注度并减少特征丢失。其

次，在坐标注意力模块中引入Mish激活函数提升模型性能以及训练过程中的稳定

性。在公开数据集PlantVillage中的苹果叶病害识别准确率达到了99.79%。与其

他经典卷积神经网络相比，本章所提出的模型具有较高的病害识别率，而且复杂

度和参数量较小，是一种性能较好的苹果叶病害识别方法。

（2）为了提升在复杂田间背景下模型的识别性能，本章提出了一种新的苹

果叶片病害识别模型，称为RMFENet。首先，采用改进后的ResNet-34作为骨干

网络，后接三个串联的多维度特征提取模块（MFEB）。这些特征提取模块旨在增

强模型对细粒度病害特征和边缘特征的捕获能力，进而提升整体模型的性能。其

次，在每个MFEB模块中，采用Inception结构提取多尺度特征，平均池化保留所

有特征，而最大池化操作保留显著特征，最大池化的输出结合L2正则化和归一化

技术提取病害边缘信息，并利用余弦相似度赋予相似特征点更高的权重。最后，

采用多层感知机增强泛化能力并减少冗余特征权重。在复杂田间背景的ALD5数

据集上，RMFENet模型的识别准确率达到了98.55%，结果证实了方法的有效性。

（3）针对模型参数量较大的问题，提出了一种名为MLFENet的轻量级苹果

叶片病害识别模型，模型主要由多级特征提取模块（IDCB）组成。首先，模块中

通过不同膨胀率卷积的密集连接，丰富了模型对不同尺度病害的表达能力。在

IDCB模块中加入坐标注意力（CA）进一步提升了病害特征的定位识别能力。其

次，利用新的自适应对称交叉熵损失函数优化网络模型。最后，实验结果表明，

I

摘要

在数据集PlantVillage和ALD5上的准确率分别达到99.86%和97.35%，与其他模

型相比，MLFENet的模型参数量最小，实现了模型的轻量化。

关键词：苹果叶病；图像识别；注意力机制；特征提取；轻量化

II

目录

目录

第1章绪论1

1.1研究背景及意义1

1.2国内外研究现状分析2

1.2.1基于机器学习的农作物病害识别2

1.2.2基于深度学习的农作物病害识别6

1.3存在的挑战9

1.4主要研究内容10

1.5论文结构安排11

第2章苹果叶病害数据集12

2.1数据集PlantVillage12

2.1.1数据来源12

2.1.2数据划分12

2.2数据集ALD513

2.2.1数据来源13

2.2.2数据划分15

2.2.3数据增强15

2.3本章小结17

第3章基于注意力机制