基于深度学习的水稻叶片病害识别方法分析.pdfVIP

JISUANJIKEXUEYUJISHU2025年第4期/数字技术与应用

计算机科学与技术JISUANJIKEXUEYUJISHU

基于深度学习的水稻叶片病害识别方法分析

■王昳雯张莉屠郡

为了提高水稻叶片病害的识别效率，实现取每个类别的70%作为训练数据集，30%作为验

病害图像识别的精准、高效，本文提出了一证数据集。

种基于深度学习的卷积神经网络改进方法。以

ResNet34为基准模型，嵌入SE模块，通过增强特

征通道的注意力机制，提升模型对病害特征的提

取能力。结果表明，改进后的模型在训练集和验

证集上的识别准确率分别达到96.5%和97.8%，相

对原始模型有显著提升，分别提高了2.8%、5.4%。

此外，改进模型的权重更小，更适合实际应用（a）稻瘟病（b）水稻白叶枯病

场景。

水稻病害制约了水稻产量的提升。传统的病

害识别方式依赖专业人员的经验，成本高、效率低。

随着信息技术的快速发展，深度学习技术广泛运

用于病虫害识别检测、植物和农作物的识别等多

项研究。国内外研究者进行了深入研究，并取得

（c）褐斑病（d）健康水稻叶片

了显著成果。胡玉珠等[1]针对水稻叶片病虫害图

图1水稻病害数据集图像示例

像，利用注意力机制对MobileNetV2进行改进，

通过修改模型残差结构引入通道注意力机制，并二、水稻叶片病害识别模型

采用迁移学习策略对改进模型进行训练，相比于

原始模型，引入注意力机制并采用迁移学习的改（一）ResNet模型

进模型准确率提升了0.82%，Ghosal等[2]针对水ResNet通过引入捷径连接[3]，将输入直接传

稻叶片病害图像不易获取的问题，将VGG-16与递至后续层，使网络能够直接学习残差，从而有

迁移学习方法结合起来进行研究分析，结果表明，效保护了信息的完整性，整个网络只需学习输入

模型的识别精度达到了92.46%。输出中有差别的信息，简化了学习的目标和难度。

在ResNet模型中，使用的残差结构有34层、50层、

一、数据集构建101层和152层模型，本文将采用ResNet34模型

作为基准模型。

本文选用稻瘟病、水稻白叶枯病、褐斑病以（二）SE注意力机制

及健康水稻叶片构成数据集，数据来源于KaggleHu等[4]提出了SENet结构，SENet首先对卷

公开数据集，这4种叶片图像如图1所示。采用积得到的特征图进行压缩，得到通道的全局特征，

图像光照变化、图像平滑化、尺寸统一、归一化、其次再对全局特征进行激发，学习各个通道间的

标准化操作对数据集进行预处理，尽可能反映真关系，同时得到不同通道的权重，最后乘以原来

实种植环境，通过图像随机裁剪、旋转和翻转的的特征图得到最终特征。压缩和激发结构如图2

手段对数据集进行扩充，共包含了4914张图像，所示。