基于注意力机制与改进残差模块的豆叶病害识别

摘要

豆类作物病害的有效识别对于病害的科学防控具有指导意义。针对传统作物病害识别方法效率低、准确率差的不足,利用深度学习方法设计了一种高效的轻量级豆叶病害识别模型,模型由卷积模块与改进的残差模块构成。卷积模块提取图像中的病害特征,在卷积模型中引入注意力机制增强了模型对病害区域的关注,同时降低非病变区域与背景对识别结果的干扰;在原始残差模块中添加更多的卷积层、激活函数与批归一化层得到了改进的残差模块,使得残差模块具有非线性表征和特征提取能力,从而提高模型对于高级病害特征的信息融合能力。结果表明,提出的模型对实际田间拍摄的豆叶病害图像的识别性能均达到99%以上。模型参数量仅为7.4×10^(5),分别为MobileNetV2、ResNet50、VGG16、VGG19以及DenseNet121模型参数量的32.74%、3.14%、5.03%、3.69%、10.51%;模型占用内存仅为8.75 MB,分别为MobileNetV2、ResNet50、VGG16、VGG19以及DenseNet121模型占用内存的33.14%、3.24%、5.21%、3.82%、10.68%。因此,本研究提出的模型具有参数量少、占用内存小以及性能好的优势,为田间环境下的豆叶病害智能识别系统的研发提供了理论基础。