一种基于改进卷积神经网络的葡萄叶片病害集成识别方法

摘 要： 为有效提升葡萄叶片病害识别的精度和效率，实现葡萄病害的及时防治进而提高产量和质量，本文提出一种基于改进卷积神经网络的葡萄叶片病害集成识别方法，对常见的三种葡萄叶片病害进行自动准确的识别。首先，利用Bagging 集成学习算法生成多个有差异的训练子集；然后，将SE、CA注意力机制分别引入ResNet152、DenseNet121 与MobileNetV3 模型，得到改进后的三种神经网络基学习模型，并在生成的训练子集上进行训练；最后，利用加权平均的思想将这些模型进行集成。在葡萄叶片病害数据集上进行的实验表明，该集成模型的识别准确率达到了99.38%，因而是一种比较有效的葡萄叶片病害识别方法。

关键词： 葡萄叶片病害识别；卷积神经网络；集成学习；Bagging算法；图像识别

中图法分类号： TP391.41 文献标识码： A 文章编号： 1000-2324（2024）06-0950-11

我国已经成为世界最大的葡萄生产国和消费国，葡萄产业已成为很多地方重要的支柱产业［1］。然而，葡萄叶片病害对其质量和产量均可造成很大的影响。因此，如何准确高效地识别葡萄叶片病害类型、进而及时采取相应防治措施，对保证和提高葡萄的质量和产量均有重要的实际意义。对于葡萄叶片病害的识别，我国传统葡萄种植管理体系通常采用基于专家经验的人工诊断方法［2］。由于不同专家的个人经验积累不同，并且专家自身的知识和经验存在一定的局限性和主观性，导致这种方法存在时效性差、主观性强、准确率不稳定等缺点，因而不能有效可靠地保证葡萄的质量和产量。为解决这一问题，近几年学者将深度学习技术应用于植物病害识别领域［3］，并取得了一定的研究成果，下面对其进行简要介绍。

彭红星等［4］对MobileNetV3 神经网络模型进行有效改进，提出了融合双分支特征和注意力机制的葡萄病虫害识别模型，并将其应用到葡萄叶片病害以及虫害数据集上，在识别准确率［5］和F1-score［6］这两项性能评价指标上分别达到了89.16%和80.44%。曹跃腾等［7］提出一种改进的ResNet 植物叶片病害识别模型，通过调整卷积核尺寸和优化残差块结构等手段，使模型的平均识别准确率达到了92.45%，并且模型在移动端也取得良好的预测性能。牛学德等［8］使用MobileNet 模型并结合迁移学习策略，对苹果、玉米、马铃薯等3 种作物叶片进行病害识别，并将模型部署到移动端，其准确率达到了95.3%。苏仕芳等［9］将神经网络模型VGG-16 运用在ImageNet 图像数据集［10］上，并将该网络模型迁移应用到葡萄叶片病害识别中，在识别准确率上达到了96.48%。胡文艺等［11］通过引入SE 注意力机制［12］的方法，对ResNet 神经网络模型［13］进行改进，使番茄病害图像的平均识别准确率提升到97.96%。谢建梅［14］引入迁移学习来提升Inception 模型的学习能力，使该模型在ImageNet数据集上的识别准确率达到98%，比支持向量机［15］等经典机器算法提高了大约12%。Lu 等［16］提出了一种基于改进深度残差收缩网络的水稻病害识别方法，通过在原始网络中加入inceptionA 模块，引入CBAM注意力机制和ELU与Focal loss 等方法，在三种水稻叶部病害数据集上的平均识别准确率达到了98.89%。Xie等［17］提出了一种基于改进卷积神经网络的葡萄叶片病害检测机器，在Faster R-CNN算法的基础上引入Inception-v1、Inception-ReNet-v2 和SEblocks模块，该检测模型在葡萄叶片病害数据集上的检测精度达到81.1%。Liu 等［18］提出了一种基于卷积神经网络的葡萄叶片病害识别方法，应用inception 结构并引入密集连接策略，模型的总体精度达到了97.22%。