基于深度学习的农业病害图像识别的研究

随着深度学习技术在图像识别任务中的不断发展与成熟,其算法逐渐被应用于农业病虫害的识别中,并取得较好的效果。但是,农业病害图像的识别比农业病虫害的识别更具有挑战性。因此,将ResNet、BotNet、CotNet作为Baseline,首先,通过引入通道注意力机制、MHSA模块和Contextual Transformer Networks模块相结合以改进网络模型结构,使得改进后的网络模型可以更好地提取图像的全局特征信息和局部特征信息,提高网络模型的特征表达能力;其次,将正交投影损失函数与传统交叉熵损失函数相结合,降低图像分类网络模型在农业病害数据集上在训练过程中标签噪音等不利因素的干扰,以达到优化农业病害识别训练过程和结果。最终通过多组实验证明,Baseline模型的改进与训练过程的优化,可以有效提高模型在农业病害数据集上的分类的准确率和鲁棒性并且网络模型参数量和计算量减少,使得改进和优化后的农业病害识别模型可以更适用于实际的农作物病害识别工作中去,为农作物病害处理助力、为智慧农业发展赋能。