在精準(zhǔn)農(nóng)業(yè)領(lǐng)域,由于錯(cuò)誤率高、影響因素多、條件不穩(wěn)定等問(wèn)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(cè)方法涉及有損取樣、實(shí)驗(yàn)室分析和專用儀器,具有破壞性和滯后性。雖然機(jī)器學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)在識(shí)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(jìn)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(lái)說(shuō),作者在 Inception 模塊中引入了殘差機(jī)制,擴(kuò)展了模塊的深度,并集成了一個(gè)改進(jìn)的卷積塊注意力模塊 (CBAM)。訓(xùn)練并測(cè)試了改進(jìn)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(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)4種水稻病害的識(shí)別準(zhǔn)確率達(dá)到98.21%,為水稻病害識(shí)別研究提供了一種可靠的方法。實(shí)驗(yàn)證明了所提模型的有效性,與其他模型相比,實(shí)驗(yàn)表明該模型具有更高的精度和更低的成本。
圖1 改進(jìn)的CNN-BiGRU結(jié)構(gòu)
圖2 改進(jìn)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(jìn)后的通道注意力模塊;(c)是改進(jìn)的CBAM在卷積神經(jīng)網(wǎng)絡(luò)中的集成。
圖4 改進(jìn)CNN-BiGRU的準(zhǔn)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(xiàn)來(lái)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.