基于改进S-ResNet34模型的小麦条锈病等级识别研究

• Published in: 南京农业大学学报 Vol. 48; no. 1; pp. 230 - 239
• Main Authors: 尉国帅, 贺佳, 常宝方, 袁培燕, 赵肖媛, 王来刚
• Format: Journal Article
• Language: Chinese
• Published: 农业农村部黄准海智慧农业技术重点实验室,河南郑州 450002%河南师范大学计算机与信息工程学院,河南新乡 453007%海南大学亚利桑那州立大学联合国际旅游学院,海南海口 570228 08.01.2025; 河南师范大学计算机与信息工程学院,河南新乡 453007; 河南省农业科学院农业信息技术研究所,河南郑州 450002%河南省农业科学院农业信息技术研究所,河南郑州 450002
• Subjects: deep learning; improved S-ResNet34 model; 改进S-ResNet34模型; wheat stripe rust; disease grade; 深度学习; 病害等级; 小麦条锈病; 图像识别; image recognition
• ISSN: 1000-2030
• DOI: 10.7685/jnau.202312044

TP391.41%S512; [目的]快速准确识别小麦条锈病病害等级,对其精准防控具有重要意义.[方法]利用数码相机获取小麦叶片条锈病RGB图像,构建小麦叶片条锈病不同病害等级数据集,通过对ResNet34模型添加通道注意力模块(SE)和Inception模块加以改进,增强模型对小麦条锈病特征的关注程度和提取能力,并采用精准率、召回率、平衡F分数和准确率等评价指标,对比分析 S-ResNet34 与 VGG16、MobileNetV2、Swin-Transformer、ResNet34 等多种主流模型的识别精度.[结果]S-ResNet34模型的训练准确率为 93.85％,相比于 VGG16(84.53％)、MobileNetV2(79.35％)、Swin-Transformer(85.67％)和 ResNet34(87.50％)等深度网络模型,准确率分别提高了 9.32％、14.50％、8.18％和6.35％.模型损失值更小,改进的ResNet34模型识别小麦条锈病特征能力更强,训练收敛更快.[结论]采用深度学习模型能够准确识别小麦条锈病发病程度,通过对ResNet34模型添加注意力模块能有效提高小麦条锈病病害识别精度.