计算机技术与发展2023，Vol.33Issue(5) ：145-151.DOI:10.3969/j.issn.1673-629X.2023.05.022

基于改进残差网络的农作物病虫害检测研究

Research on Detection of Crop Disease and Insect Pest Based on Improved Residual Network

白雪松 吴建平 景文超 崔亚楠 康小霖
计算机技术与发展2023，Vol.33Issue(5) ：145-151.DOI:10.3969/j.issn.1673-629X.2023.05.022
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于改进残差网络的农作物病虫害检测研究

Research on Detection of Crop Disease and Insect Pest Based on Improved Residual Network

白雪松 1吴建平 2景文超 1崔亚楠 1康小霖1
扫码查看

作者信息

  • 1. 云南大学 信息学院,云南 昆明 650504
  • 2. 云南大学 信息学院,云南 昆明 650504;云南省电子计算中心,云南 昆明 650223;云南省高校数字媒体技术重点实验室,云南 昆明 650223
  • 折叠

摘要

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7×7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 Challenger 2018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

引用本文复制引用

基金项目

云南省重大科技专项计划项目(202002AD080001)

云南大学第一届专业学位研究生实践创新项目(2021Y183)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量1
参考文献量9
段落导航相关论文