基于改进CNN-Transformer的玉米叶片病害图像分类OA

为了实现对玉米叶片多类病害的分类,提出了一种CNN与Transformer相结合的图像分类算法(ICNN-Transformer)对玉米叶片各种病害进行分类.首先,采用Transformer嵌入CNN的方法,使用RReLU激活函数替代ReLU激活函数,并通过迁移学习导入预训练模型.其次,使用金字塔卷积代替残差结构中的3×3卷积,并将不同扩张率的空洞卷积引入到金字塔卷积中.最后,为了构建一个结合网络深度和浅层信息的新特征图,在网络中对不同大小的特征图进行上采样融合运算.ICNN-Transformer与CNN(ResNet)和Transformer(Vision Transformer)相比在各项性能指标上均有提升,准确率分别提高了3.97百分点和4.50百分点.此外,ICNN-Transformer在雾、雨、暗光等复杂环境下的抗干扰能力明显提升.试验结果表明,Transformer嵌入的数量和位置不同会对模型的分类精度产生影响,这种改进提高了模型的特征提取能力,进而提升了病害分类的准确性和算法的鲁棒性.该研究为玉米叶片的病害分类提供了一种更优的智能分类方法.