在精準農(nóng)業(yè)領(lǐng)域,由于錯誤率高、影響因素多、條件不穩(wěn)定等問題,從圖像診斷水稻病害仍然具有挑戰(zhàn)性。傳統(tǒng)的作物病害監(jiān)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(xué)習(xí)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(jié)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的水稻疾病分類方法,該方法將卷積神經(jīng)網(wǎng)絡(luò)(CNN)與雙向門控循環(huán)單元(BiGRU)相結(jié)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(xùn)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(jié)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。
圖1 改進的CNN-BiGRU結(jié)構(gòu)
圖2 改進的CNN模塊的內(nèi)部結(jié)構(gòu)。
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(jīng)網(wǎng)絡(luò)中的集成。
圖4 改進CNN-BiGRU的準確率和損失率曲線。
圖5 深度學(xué)習(xí)模型在水稻數(shù)據(jù)集上的表現(xiàn)。
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.