基于多任务学习农作物叶片病害诊断方法

摘要：

为了快速、准确判别农作物叶片病害图像的病害类型及病害程度,提出基于多任务学习的诊断方法.引入通道和空间注意力模型,对经典的MobileNetV3网络模型进行改进,并在此基础上构建基于特征金字塔的多任务深度卷积神经网络模型,实现作物类型、病害类型和病害程度的精准识别.采用多种图像增强方法对农作物叶片病害图像进行扩展,对改进前后模型与其他图像识别模型在农作物病害叶片识别性能上进行对比试验,并探究在有无数据增强处理条件下不同模型的性能.结果表明:该模型在作物类型识别、病害类型识别与病害程度识别任务上,平均准确率比原模型分别提升1.38、2.24和2.03个百分点;召回率比原模型分别提升2.38、1.62和1.18个百分点;对比MobileNetV3,InceptionV3、YOLOv7模型,该模型在上述3个任务上平均识别准确率和召回率均达到最高.

关键词：智慧农业、病害识别、深度学习、卷积神经网络、多任务学习

所属期刊栏目：26

分类号：S126(农业物理学)

资助基金：国家自然科学基金31501273

在线出版日期：2024-01-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：89-98