基于PMMS-Net和叶绿素荧光成像的绿豆叶斑病抗性鉴定方法

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。

基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类

为在绿豆播种过程中提高叶斑病的识别准确率,以实验室获取的高光谱图像为研究对象,提出基于MS-PLNet(multiscale-PlantNet)和高光谱图像的绿豆叶斑病病级分类方法。将绿豆叶片彩色图像通过专业设备转换为高光谱格式,依据病斑大小占叶面积比例,将高光谱图像标注为高抗、抗、中抗、中感、感病5个类别,构成本试验的数据集,然后建立MS-PLNet卷积神经网络模型,该图像分类模型包括图像输入、多尺度特征提取、特征融合、分类等4个阶段。为提高模型对输入不同分辨率图像的适用性,将多尺度图像输入到多尺度特征提取模块,获取分类需要的特征图;为将不同尺度的特征图进行特征融合,通过不同步长的下采样和上采样操作,获取特征融合阶段的输入特征图;为在最终分类阶段获取对分类起作用的特征图,采用通道注意力机制让分类器关注有用的特征,抛弃冗余特征;最后通过使用softmax分类器实现对高光谱图像中高抗、抗、中抗、中感、感病5个绿豆叶斑病病级的分类。通过与已有图像分类方法进行比较,MS-PLNet在训练时获得了最高的验证准确率,训练300次验证准确率为96.8%,训练1 000次验证准确率为98.4%;在获得最高验证准确率的同时,训练时间大大缩短,MobileNet-V3在所有与本研究方法进行比较的先进方法中训练时间较短,但是训练300次所花费的时间是MS-PLNet的1.59倍,训练1 000次所花费的时间是MS-PLNet的1.12倍。本研究提出的MS-PLNet模型计算量为0.39 GMac,参数数量为7.75 million,能够高效利用GPU资源。对5个类别的叶斑病图像进行分类时,分类的平均精度达到95.0%,召回率达到99.9%,可以实现叶斑病的高精度识别。本研究所提出的基于MS-PLNet和高光谱图像的分类方法,能够对绿豆叶斑病进行有效的病级分类,同时该方法可以输入多个尺度的图像并且具有较小的参数,可以应用于移动设备实现真实环境下的绿豆叶斑病识别。