利用改进MobileNet V2网络识别水稻叶片病虫害的方法

针对传统水稻叶片病虫害分类效率不高、精度低和模型占用空间过大等问题,改进MobileNet V2网络,并结合迁移学习策略对水稻叶片病虫害进行识别。实验以4种常见水稻叶片病虫害作为研究对象,利用注意力机制对MobileNet V2进行改进,通过修改模型残差结构引入通道注意力机制,并采用迁移学习策略对改进模型进行训练。实验表明,相比于原始模型,引入注意力机制并采用迁移学习的改进模型CAM_qianyi的准确率提升了0.82个百分点,达到了84.32%,其准确率也高于轻量化卷积神经网络ResNet18(82.54%)和未采用迁移学习的改进模型CAM(73.65%)。改进模型能准确提取水稻叶片病虫害特征,有效提高了识别效率和精度。

河北省地方水(陆)稻品种抗病抗虫性研究

对河北省地方水、陆品种抗两病两虫性进行了鉴定。并在此基础上分析了抗稻瘟病、抗白叶枯、抗褐稻虱、抗白背飞虱品种的分布情况。对抗性频度较高的抗稻瘟病性、抗白叶枯病性从水、陆稻,熟期,不同稻作区等方面作了详细研究。结果表明:抗稻瘟病、白叶枯病品种频度高,分别为45.86％和50.34％,高抗率仅为0.75％和2.05％,抗率分别为24.81％和15.75％;抗褐稻虱、白背飞虱品种频度很低,分别为4.51％和3.34％,高抗褐稻虱品种2个,无抗至高抗白背飞虱品种。抗稻瘟病、白叶枯种质频度和强度均是陆稻高于水稻。纬度、海拔高,气候寒冷的张家口、承德两市稻瘟病抗性强度低;唐山、秦皇岛两市抗性强度高;冀南零星种植亚区抗性强度最高。抗白叶枯病种质分布规律是随着纬度的增加,温热条件的降低呈递减趋势。

基于坐标注意力机制和残差网络的水稻叶片病虫害识别

【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题,探索基于ResNet深度学习网络的水稻叶片病虫害识别模型(ResNet50-CA)。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制(CA),采用LeakyReLU激活函数替代ReLU激活函数,使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现,ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系,因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验,研究发现在批量样本数为16和学习率为0.0001时,ResNet50-CA获得最高的识别准确率(99.21%),优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息,从而取得更高的识别准确率,为水稻叶片病虫害识别提供新思路和方法。