针对多农作物病虫害的一种深度细粒度识别方法

来源：江苏农业科学杂志2025年第第5期北京时间：

作者：顾洁;缪艺缘;高尚;李文杰;邵长斌;秦斌

单位：江苏科技大学计算机学院，江苏镇江 212100

摘要：多农作物场景下的病虫害识别任务存在农作物与病虫害间“多对多”的对应关系，加剧了病虫害识别中类内差异大及类间差异小的问题。本研究以深度残差网络为骨干架构，提出一种深度细粒度病虫害识别方法。针对训练数据稀缺问题，采用动态数据增强技术增加样本数据的多样性。针对农作物在叶片纹理等表象特征存在细微差异的问题，在网络结构中注入通道注意力机制模块，增强模型对细节性信息的表征能力。在训练实施方面，利用间隔余弦损失来代替常规交叉熵损失函数；该损失通过在嵌入特征层面加大类间空余度，强化类间分离度，进而间接增进类内聚集度。以自组数据集(10种作物及其对应的27种病害图像样本)为研究对象，开展多农作物场景下病虫害识别的方法实践。试验结果证明本研究方法有效，相较于典型ResNet18、AlexNet、VGG16、ResNet50、DenseNet模型，本研究方法在识别精确度上分别提高1.80、2.13、1.88、2.38、1.72百分点。对于多农作物场景下病虫害识别的难点，本研究方法从数据增广、模型结构改进、损失函数设计3个层面给出针对性解决方案，期待其为农作物智能识别技术提供理论基础。

关键词：农作物病虫害;细粒度图像识别;余弦相似度损失;通道注意力