复杂田间环境下基于ResNet18-GABM的马铃薯叶片主要病害自动识别方法OA
【目的】马铃薯早疫病和晚疫病频发,严重情况下可导致产量下降10%~40%,对粮食安全构成较大威胁。文章针对现有病害识别模型在复杂田间环境下准确率不足的问题,构建了一种面向真实场景的马铃薯病害分类与分级模型ResNet18-GABM。【方法】该模型以ResNet18为骨干网络,引入全局分组坐标注意力模块(GGCA),增强对病斑细微特征的表征能力。同时设计多尺度特征双时融合模块(BFM),实现多维语义信息的有效融合,并结合迁移学习策略优化训练过程,在提升收敛效率的同时提高识别精度和计算效率。基于单叶片、多叶片和混合叶片3类复杂场景数据集开展消融与对比实验,并对不同严重程度的病害进行分级识别。【结果】(1)将GGCA与BFM模块联合嵌入ResNet18模型后,其分类准确率较基线模型提升2.09个百分点。(2)该模型在单叶片数据集上的识别准确率为100%;在多叶片数据集上的准确率为95.08%,较基准模型ResNet18提高4.92个百分点;在混合叶片数据集上的分类精度为99.10%,较4类基线模型提升2.09~3.59个百分点。(3)在严重程度分级任务中,该模型的识别准确率达到92.66%,较基线ResNet18提升2.75个百分点。【结论】该模型在复杂农田环境下具有良好的泛化能力和稳定性,可为马铃薯病害的早期预警与精准防控提供技术支持。
解东方;陈虹;常胜;解珂;Lubobi Ferdinand Shamala;王保林;胡同乐;Philip James Kear
中国科学院空天信息创新研究院遥感与数字地球全国重点实验室,北京100101 青岛农业大学,山东青岛266109中国自然资源航空物探遥感中心,北京100083中国科学院空天信息创新研究院遥感与数字地球全国重点实验室,北京100101吉林师范大学信息技术学院,四平136000肯尼亚马辛德·穆利罗科技大学农业土地利用与管理系,卡卡梅加190内蒙古自治区农牧业科学院农牧业经济与信息研究所,呼和浩特010031河北农业大学植物保护学院,保定070001国际马铃薯中心(CIP),秘鲁利马15076
农业科技
马铃薯病害识别复杂背景叶片迁移学习注意力机制病害严重度
《中国农业信息》 2026 (1)
P.20-37,18
国家重点研发计划“基于物联网、大数据和遥感的马铃薯病害精准管理云平台研发与示范”(2017YFE0122700)国家自然科学基金项目“考虑时空非平稳性与植被环境适应机理的旱情预测方法研究”(42271406)。
评论