文献类型：期刊文章

作　　者：白雪松[1] 吴建平[1,2,3] 景文超[1] 崔亚楠[1] 康小霖[1]

BAI Xue-song;WU Jian-ping;JING Wen-chao;CUI Ya-nan;KANG Xiao-lin(School of Information Science&Engineering,Yunnan University,Kunming 650504,China;Yunnan Provincial Electronic Computing Center,Kunming 650223,China;Digital Media Technology Key Laboratory of Universities and Colleges in Yunnan Province,Kunming 650223,China)

机构地区：[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

出　　处：《计算机技术与发展》

基　　金：云南省重大科技专项计划项目(202002AD080001);云南大学第一届专业学位研究生实践创新项目(2021Y183)。

年　　份：2023

卷　　号：33

期　　号：5

起止页码：145-151

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

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  

分 类 号：TP312]