基于I_CBAM-DenseNet模型的小麦发育期识别研究

来源：南京信息工程大学学报·自然科学版杂志2025年第1期北京时间：

作者：付景枝，马悦，宏观，刘云平，吴文宇，丁明明，尹泽凡

单位：付景枝,南京信息工程大学 自动化学院, 南京, 210044;南京信息工程大学 大气环境与装备技术协同创新中心, 南京, 210044;南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,马悦,南京信息工程大学 自动化学院, 南京, 210044;南京信息工程大学 大气环境与装备技术协同创新中心, 南京, 210044;南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,宏观,中国气象局气象探测中心, 北京, 100081,刘云平,南京信息工程大学 自动化学院, 南京, 210044;南京信息工程大学 大气环境与装备技术协同创新中心, 南京, 210044;南京信息工程大学 江苏省大数据分析技术重点实验室, 南京, 210044,吴文宇,南京信息工程大学 自动化学院, 南京, 210044,丁明明,南京信息工程大学 自动化学院, 南京, 210044;中国气象局气象探测中心, 北京, 100081,尹泽凡,南京信息工程大学 自动化学院, 南京, 210044

摘要：针对我国农作物发育期人工观测效率低、识别准确率不高等问题,提出一种基于I_CBAM-DenseNet模型的小麦发育期识别方法.该方法以密集连接卷积网络(DenseNet)为主干提取网络,融入卷积块注意模块CBAM.先将CBAM中的空间注意力模块(SAM)与通道注意力模块(CAM)由传统的串联连接改为并行连接,并将改进的CBAM (I_CBAM)插入到DenseNet最后一个密集网络中,构建一种I_CBAM-DenseNet模型,再选取小麦7个重要发育时期进行自动识别.为最大化提取小麦的特征信息,将超绿特征(ExG)因子和最大类间方差法(Otsu)相结合对采集到的小麦图像进行分割处理.对比分析了I_CBAM-DenseNet、AlexNet、ResNet、DenseNet、CBAM-DenseNet以及VGG等模型的准确率和损失值的变化.结果表明,采取基于I_CBAM-DenseNet的卷积神经网络建立的模型,准确率达到99.64%,高于对比模型.

关键词：小麦;发育期;DenseNet;卷积块注意模块(CBAM)

基金资助：国家自然科学基金(51305210);江苏省自然科学基金(BK20150924)