在精準農業(yè)領(lǐng)域，由于錯誤率高、影響因素多、條件不穩定等問(wèn)題，從圖像診斷水稻病害仍然具有挑戰性。傳統的作物病害監測方法涉及有損取樣、實(shí)驗室分析和專(zhuān)用儀器，具有破壞性和滯后性。雖然機器學(xué)習和卷積神經(jīng)網(wǎng)絡(luò )在識別水稻疾病方面顯示出有希望的結果，但它們解釋疾病特征之間關(guān)系的能力有限。
在本研究中，作者提出了一種改進(jìn)的水稻疾病分類(lèi)方法，該方法將卷積神經(jīng)網(wǎng)絡(luò )（CNN）與雙向門(mén)控循環(huán)單元（BiGRU）相結合。具體來(lái)說(shuō)，作者在 Inception 模塊中引入了殘差機制，擴展了模塊的深度，并集成了一個(gè)改進(jìn)的卷積塊注意力模塊 （CBAM）。訓練并測試了改進(jìn)的CNN和BiGRU，連接CNN和BiGRU模塊的輸出，并將它們傳遞給分類(lèi)層進(jìn)行識別。實(shí)驗結果表明，該方法對4種水稻病害的識別準確率達到98.21%，為水稻病害識別研究提供了一種可靠的方法。實(shí)驗證明了所提模型的有效性，與其他模型相比，實(shí)驗表明該模型具有更高的精度和更低的成本。
圖1 改進(jìn)的CNN-BiGRU結構
圖2 改進(jìn)的CNN模塊的內部結構。
圖3 （a）為原始通道注意力模塊；（b）為改進(jìn)后的通道注意力模塊；（c）是改進(jìn)的CBAM在卷積神經(jīng)網(wǎng)絡(luò )中的集成。
圖4 改進(jìn)CNN-BiGRU的準確率和損失率曲線(xiàn)。
圖5 深度學(xué)習模型在水稻數據集上的表現。
文獻來(lái)源：Lu, Y.; Wu, X.; Liu, P.; Li, H.; Liu, W. Rice disease identification method based on improved CNN-BiGRU. Artificial Intelligence in Agriculture, 2023. https://doi.org/10.1016/j.aiia.2023.08.005.
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
