基于改进ResNet18的苹果叶部病害多分类算法研究

作     者：姜红花 杨祥海 丁睿柔 王东伟 毛文华 乔永亮 JIANG Honghua;YANG Xianghai;DING Ruirou;WANG Dongwei;MAO Wenhua;QIAO Yongliang

作者机构：山东农业大学信息科学与工程学院泰安271018 青岛农业大学机电工程学院青岛266109 中国农业机械化科学研究院集团有限公司北京100083 悉尼大学工学院悉尼2006 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第4期

页      面：295-303页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：山东省农业重大应用技术创新项目(SD2019NJ001) 山东省重大科技创新工程项目(2019JZZY010716) 

主　　题：苹果叶部病害 ResNet18 注意力机制 随机裁剪 深度学习 

摘      要：针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18 CBAM RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。