基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

作     者：李云红 张蕾涛 李丽敏 苏雪平 谢蓉蓉 史含驰 LI Yunhong;ZHANG Leitao;LI Limin;SU Xueping;XIE Rongrong;SHI Hanchi

作者机构：西安工程大学电子信息学院西安710048 

基　　金：国家自然科学基金项目(62203344) 陕西省科技厅自然科学基础研究重点项目(2022JZ-35) 国家级大学生创新创业计划项目(202210709012) 

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

年 卷 期：2024年第55卷第4期

页      码：204-212页

摘      要：针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext,M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation,CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达99.18%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。

主 题 词：苹果叶片 病害识别 生成式对抗网络 数据增强 多尺度特征提取 

学科分类：09[农学] 0904[农学-动物医学类] 090401[090401] 

核心收录：

D　O　I：10.6041/j.issn.1000-1298.2024.04.020

馆 藏 号：203127543...