针对多农作物病虫害的一种深度细粒度识别方法.pdfVIP

—２５８—江苏农业科学２０２５年第５３卷第５期

顾洁，缪艺缘，高尚，等．针对多农作物病虫害的一种深度细粒度识别方法［Ｊ］．江苏农业科学，２０２５，５３（５）：２５８－２６５．

ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２５．０５．０３０

针对多农作物病虫害的一种深度细粒度识别方法

顾洁，缪艺缘，高尚，李文杰，邵长斌，秦斌

（江苏科技大学计算机学院，江苏镇江２１２１００）

摘要：多农作物场景下的病虫害识别任务存在农作物与病虫害间“多对多”的对应关系，加剧了病虫害识别中类

内差异大及类间差异小的问题。本研究以深度残差网络为骨干架构，提出一种深度细粒度病虫害识别方法。针对训

练数据稀缺问题，采用动态数据增强技术增加样本数据的多样性。针对农作物在叶片纹理等表象特征存在细微差异

的问题，在网络结构中注入通道注意力机制模块，增强模型对细节性信息的表征能力。在训练实施方面，利用间隔余

弦损失来代替常规交叉熵损失函数；该损失通过在嵌入特征层面加大类间空余度，强化类间分离度，进而间接增进类

内聚集度。以自组数据集（１０种作物及其对应的２７种病害图像样本）为研究对象，开展多农作物场景下病虫害识别

的方法实践。试验结果证明本研究方法有效，相较于典型ＲｅｓＮｅｔ１８、ＡｌｅｘＮｅｔ、ＶＧＧ１６、ＲｅｓＮｅｔ５０、ＤｅｎｓｅＮｅｔ模型，本研究

方法在识别精确度上分别提高１．８０、２．１３、１．８８、２．３８、１．７２百分点。对于多农作物场景下病虫害识别的难点，本研究

方法从数据增广、模型结构改进、损失函数设计３个层面给出针对性解决方案，期待其为农作物智能识别技术提供理

论基础。

关键词：农作物病虫害；细粒度图像识别；余弦相似度损失；通道注意力

中图分类号：Ｓ１２６；ＴＰ３９１．４１文献标志码：Ａ文章编号：１００２－１３０２（２０２５）０５－０２５８－０７

粮食安全是保障国计民生和促进社会经济发方法，用于应对小麦条锈病和叶锈病症状难以区分

［２］

展的重要基石。在农业生产过程中，农作物病虫害的问题。后期算法设计主要侧重于局部特征描

严重威胁着粮食生产的可持续性和稳定性。近年述子在特征提取上的加成功效［３－５］。例如，借鉴

来，在病虫源基数、种植方式、作物布局、气候等各ＨＯＧ、Ｇａｂｏｒ、ＬＢＰ、ＳＩＦＴ等特征提取算法在捕获纹理

类因素的影响下，小麦、玉米等主要农作物重大病及边缘信息上的优势，后期的葡萄病害识别技术和

虫害呈现持续加重的趋势［１］。当前，病虫害防治已香芋病害识别方法均借助特征描述子方法来整合

成为保障农作物产量和质量的一项关键任务。叶片的纹理及颜色信息［６－１１］。总体而言，传统识别

农作物种植范围广泛，数量有限的农科专家难技术在病虫害识别任务上表现出精度优势，但因为

以惠及所有农户，制约了病虫害防治的普及和推受限于特征提取算法设计的特定指向性，通常缺乏

广。同时，依赖人工的传统识别方式往往存在主观自适应性，难以应对复杂多变的局面。

性强、效率低下等问题。随着人工智能技术的快速随着深度学习技术的兴起，以卷积神经网络

发展，基于计算机视觉的病虫害识别技术受到越来（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＣＮＮ）为代表的深度

越多的关注。学习模型已获得突破性进展，大量深度学习技术达

图像识别算法是病虫害识别的主要技术源头，到了产业化水平。利用深度模型来执行病虫害识

依赖传统视觉技术的早期识别方法沿用特征提取别已成为主流趋势。作为最典型的ＣＮＮ分类模型，

和分类算法设计的工作流程。早在２０１２年，李冠林深度残差网络（ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ