基于改进残差网络的农作物病虫害检测研究

来源：计算机技术与发展杂志2023年第05期北京时间：

作者：白雪松;吴建平;';景文超;崔亚楠;康小霖

单位：1. 云南大学 信息学院,云南 昆明 650504;2. 云南省电子计算中心,云南 昆明 650223;3. 云南省高校数字媒体技术重点实验室,云南 昆明 650223

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