基于PMMS-Net和叶绿素荧光成像的绿豆叶斑病抗性鉴定方法

作     者：李洁 高尚兵 余骥远 陈新 李士丛 袁星星 Li Jie;Gao Shangbing;Yu Jiyuan;Chen Xin;Li Shicong;Yuan Xingxing

作者机构：淮阴工学院计算机与软件工程学院江苏淮安223003 江苏省农业科学院经济作物研究所南京市210014 

出 版 物：《中国农机化学报》 (Journal of Chinese Agricultural Mechanization)

年 卷 期：2024年第45卷第8期

页      面：210-216页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 09[农学] 0804[工学-仪器科学与技术] 0904[农学-植物保护] 090401[农学-植物病理学] 081101[工学-控制理论与控制工程] 090402[农学-农业昆虫与害虫防治] 0811[工学-控制科学与工程] 

基　　金：科技部重点研发政府间国际合作项目(2019YFE0109100) 江苏省一带一路国际合作项目(BZ2022005) 国家食用豆产业技术体系生物防治与综合防控岗位科学家(CARS—08—G15) 江苏省种业揭榜挂帅项目(JBGS004) 江苏省林业科技创新与推广项目(LYKJ22) 江苏省研究生科研与实践创新计划项目(SJCX_231859) 

主　　题：绿豆叶斑病 抗性鉴定 叶绿素荧光图像 坐标注意力机制 深度可分离卷积 

摘      要：考虑到相近发病指数的绿豆叶片病斑区域特征区分不明显,在检测类似大小的病斑时,使用固定尺度的卷积核检测效果不是很好,故设计一种并行多分支多尺度卷积神经网络(PMMS-Net)模型。该模型先使用并行多分支多尺度特征融合模块获取丰富的病斑特征;然后采用坐标注意力机制,使模型能更好地定位到病变区域,实现对感兴趣区域的选择性强调;最后使用特征充分提取模块,将深度可分离卷积与普通卷积结合,实现对特征的充分提取,进一步优化特征提取效果。试验数据集由绿豆叶斑病的叶绿素荧光图像构成,其中包含五种抗性类型的绿豆叶斑病图像。结果表明,本文提出的方法在试验数据集上训练迭代1000次,所耗费时间仅比AlexNet多0.8倍,验证准确率却比AlexNet高出18.9%,本模型在该数据集上的验证准确率为87.8%,平均特异度为96.92%,参数内存仅为0.54 MB。本文提出的方法有利于将该模型部署在移动终端等资源受限的嵌入式设备上,为绿豆叶斑病的抗性鉴定提供一种新方法。