基于综合判别特征学习和中层特征监督的农作物病害识别.pdfVIP

—２０８—江苏农业科学２０２５年第５３卷第１４期

杜海顺，安文昊，张春海，等．基于综合判别特征学习和中层特征监督的农作物病害识别［Ｊ］．江苏农业科学，２０２５，５３（１４）：２０８－２１６．

ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２５．１４．０２６

基于综合判别特征学习和中层特征监督

的农作物病害识别

１，２１１１，２

杜海顺，安文昊，张春海，周毅

（１．河南大学人工智能学院，河南郑州４５００４６；２．河南省车联网协同技术国际联合实验室，河南郑州４５００４６）

摘要：准确识别农作物病害有助于提高农作物的产量和质量，促进农业的可持续发展。大多数基于深度神经网络

的农作物病害识别方法没有充分利用网络不同层次的特征对病害进行综合分析，且对病害的细节信息关注不足。为

了有效利用深度神经网络提取的不同层次的特征来更准确地识别农作物病害，提出了一种基于综合判别特征学习和

中层特征监督的农作物病害识别网络。具体地，该网络由１个主干ＲｅｓＮｅｔ５０、１个综合判别特征学习模块以及１个中

层特征监督分支组成。其中，主干ＲｅｓＮｅｔ５０负责提取农作物病害图像的浅层、中层以及深层特征；综合判别特征学习

模块通过对主干ＲｅｓＮｅｔ５０提取的不同层次的特征进行分析与综合，得到综合判别特征；中层特征监督分支用于确保

含有丰富细节信息的中层特征的判别力。在公共农作物病害数据集ＡＩｃｈａｌｌｅｎｇｅｒ２０１８和Ｃａｓｓａｖａ以及自制农作物病

害数据集ＲＣＰ－Ｃｒｏｐｓ上，所提出网络识别准确率分别达８９．７６％、８７．９５％、９８．１９％，Ｆ分数分别达８９．５７％、

１

８７７７％、９８．１８％。

关键词：农作物；病害识别；综合判别特征学习；中层特征监督；卷积神经网络

中图分类号：Ｓ１２６；ＴＰ３９１．４１文献标志码：Ａ文章编号：１００２－１３０２（２０２５）１４－０２０８－０９

我国是一个农业大国，耕地资源和粮食总产量神经网络的小麦赤霉病识别方法，该方法首先利用

［１］

位于世界前列。提高粮食产量和质量是事关我Ｕ－Ｎｅｔ分割网络去除背景干扰，然后对分割结果图

国国计民生的大事，而农作物病害是影响粮食产量像的Ｒ、Ｇ、Ｂ三通道采用卷积提取多路特征，最后融

［４］

和质量的重要因素之一。众所周知，及时识别农作合多路特征得到具有较强判别力的语义特征。

物病害并合理喷施农药是治理农作物病害的重要然而，尽管这些方法大都取得了不错的病害识别效

手段［２］。然而，由于缺乏专业知识，农民通常无法果，但是它们没有利用网络提取的不同层次的判别

准确辨别农作物病害类型，进而使农作物病害不能信息，且对病害的细节信息关注不足。

得到及时防治。因此，研究农作物病害自动识别技为了利用网络提取的不同层次的判别信息，学

术对我国的农业可持续发展具有重要的理论和现者们提出了一些多层特征融合方法［９－１５］。李昊等

实意义。首先将预训练的ＲｅｓＮｅｔ５０和ＶＧＧ１６网络进行并

随着深度学习技术的快速发展，研究者们提出联，然后通过相加以及非线性变换等操作将２个网

了一些基于深度神经网络的农作物病害识别方络的深层特征融合在一起，得到了表征能力更强的

［３－８］［９］

法。例如，李淼等提出了一种基于迁移学习和