摘要
番茄为我国重要的经济作物，在生产种植时，其产量容易受到枯叶病、叶霉病和晚疫病等病害因素的限制。在番茄叶片发病早期准确识别病害种类，可以及时采取针对性的措施，降低产量的损失。传统的识别技术繁琐，在防治面积和检测速度上有一定的不足，并不能满足现代农业的需求。 针对以上情况，本文基于深度学习以及图像处理相关知识，在已有的卷积神经网络的基础上进行改进，并使用改进后的模型对番茄叶片病害数据集进行分类实验，最后得出的结果表明本文提出的网络对其十六种病害的识别率较高。本文构建了In-SE-BilinearModel模型，将GoogLeNet网络模型为基础，因为其多尺度卷积核(Inceptionblock)良好的性能，能够得到不同尺度的特征信息，但是由于其网络层数较多，需要减少层数，同时在特征提取的过程中，在每个Inception模块后面级联注意力机制模块，提高模型对病害区域的敏感程度；最后，由于数据集为细粒度图像，存在较小的种间差异和较大的类内差异，所以在全连接层之前连接单一尺度卷积核和双线性池化(BilinearPool)，能够降低网络维度，并且使得网络能降低图片背景信息的干扰，增强模型的准确率。改进后模型的准确率为97.06%，显著优于常规的卷积神经网络。为了进一步衡量网络的性能，利用测试集得出混淆矩阵计算出精确度、召回率和平均交互比(MIoU)，分别为92.52%、92.44%和92.55%，实验结果表明，该方法能够有效地提升模型的分类识别能力。同时为了研究网络模型的移植能力，再次利用该网络对玉米、苹果和土豆三种不同作物的病害叶片进行分类实验，最后得出该网络具有良好的移植特性。
NETL