027-87860098

基于改進CNN-BiGRU的水稻病害識別方法

2023/9/11
在精準農業領域,由于錯誤率高、影響因素多、條件不穩定等問題,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、實驗室分析和專用儀器,具有破壞性和滯后性。雖然機器學習和卷積神經網絡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系的能力有限。

在本研究中,作者提出了一種改進的水稻疾病分類方法,該方法將卷積神經網絡(CNN)與雙向門控循環單元(BiGRU)相結合。具體來說,作者在 Inception 模塊中引入了殘差機制,擴展了模塊的深度,并集成了一個改進的卷積塊注意力模塊 (CBAM)。訓練并測試了改進的CNN和BiGRU,連接CNN和BiGRU模塊的輸出,并將它們傳遞給分類層進行識別。實驗結果表明,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。實驗證明了所提模型的有效性,與其他模型相比,實驗表明該模型具有更高的精度和更低的成本。

基于改進CNN-BiGRU的水稻病害識別方法
圖1 改進的CNN-BiGRU結構

基于改進CNN-BiGRU的水稻病害識別方法
圖2 改進的CNN模塊的內部結構。

基于改進CNN-BiGRU的水稻病害識別方法
圖3 (a)為原始通道注意力模塊;(b)為改進后的通道注意力模塊;(c)是改進的CBAM在卷積神經網絡中的集成。

基于改進CNN-BiGRU的水稻病害識別方法
圖4 改進CNN-BiGRU的準確率和損失率曲線。

基于改進CNN-BiGRU的水稻病害識別方法
圖5 深度學習模型在水稻數據集上的表現。

文獻來源: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.

国产午夜精品免费一二区|色欲AV无码精品一区二区久久|国产日产欧产精品精品|亚洲AV中文无码一区二区三区