基于Bi-LSTM与多尺度神经网络模型的番茄病害识别

Tomato disease identification based on Bi-LSTM and multi-scale neural network model

番茄叶片病害的精准识别对农业领域未来的发展至关重要,农业研究人员逐渐使用深度学习的方法进行植物病害的精准检测。然而对比以往的神经网络可以发现,它们普遍缺少上下文信息的连续性以及全文信息的完整性。对此本研究提出了一种Bi-LSTM和多尺度卷积神经网络相结合的模型,采用双向长短期记忆网络,可以更好地捕捉双向信息的反馈,使上下文的信息更具有连续性,而所提出的多尺度卷积神经网络既保证了全局信息的完整性,同时减少了细节信息的丢失,为了提高模型对病害特征的识别能力引入注意力模块,从而使模型重点关注疾病的特征部分。从公开的PlantVillage数据集中选取番茄的9类疾病和健康的叶片作为研究对象,试验结果在验证集上得到最高分类准确率为98.16%,与其他几个经典的CNN模型相比较,该模型的识别准确率优于其他的基础模型,并且具有较好的稳定性。经过试验验证,该模型可以为番茄病害识别提供一种有效的解决方法。