基于注意力机制和多尺度残差网络的农作物病害识别

作者：黄林生; 罗耀武; 杨小冬; 杨贵军; 王道勇

来源：农业机械学报, 2021, 1-13.

• 病害识别
• 残差网络
• 特征提取
• 多尺度卷积
• 注意力机制

针对传统农作物病害识别方法依靠人工提取特征，步骤复杂且低效，难以实现在田间环境下识别的问题，提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络（ResNet18）的基础上进行改进，引入Inception模块，利用其多尺度卷积核结构对不同尺度的病害特征进行提取，提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net（Squeeze-and-Excitation Networks），增强了有用特征的权重，减弱了噪声等无用特征的影响，进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明，改进后的多尺度注意力残差网络模型（Multi-Scale-SE-ResNet18） 在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%，相较于原ResNet18模型准确率提高10.92个百分点，模型占用内存仅为44.2MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力，可以提取到更多的病害特征信息，并且较好地平衡了模型的识别精度与模型复杂度，可为田间环境下农作物病害识别提供参考。

• 单位
  安徽大学; 浙江大学华南工业技术研究院; 北京农业信息技术研究中心