基于卷积神经网络的猕猴桃叶部病害识别系统.pdf

摘要

摘要

猕猴桃叶部病害是影响猕猴桃产量和品质的重要问题。然而，如何快速、准确地

识别猕猴桃叶部病害的类别，继而采取相应的防治措施，防止猕猴桃产量减少和品质

降低，一直是猕猴桃种植中需要解决的问题。为此本文提出一种基于迁移学习卷积神

经网络算法融合注意力机制的猕猴桃叶部病害识别算法，旨在精准识别猕猴桃叶片上

的褐斑病、花叶病、灰斑病、灰霉病、溃疡病、炭疽病六种常见病害。主要工作包括

以下几个方面：

（1）猕猴桃叶部病害数据集的构建。收集整理1617张猕猴桃叶片病害图像，对

其进行分类标签及归一化处理，并进行数据增强操作。形成数据集图像共21021张，

将数据集按6:2:2的比例划分为训练集、验证集和测试集。

2ResNet34

（）提出基于架构融合迁移学习及混合注意力机制的猕猴桃叶部病

害识别模型ResNet34-CT。首先，将经过ImageNet数据集训练的Resnet34网络当作

第一个任务开始的预训练模型，其次，目标猕猴桃叶部病害数据集作为第二个任务，

3

并对预训练模型进行微调，最后，在其网络的主体部分的后个残差块前分别加入注

意力机制CBAM模块，得到经过迁移学习训练且融合CBAM模块的猕猴桃叶部病害

识别模型ResNet34-CT。通过对比实验，网络识别准确率达到97.06%，精度为97.30%，

召回率为96.68%，F1分数为0.9699，均高于其他卷积神经网络模型，验证改进方法

ResNet34-CT

的有效性。类别对比和特征可视化实验表明，模型充分提取了猕猴桃叶

部病斑的特征并且具有很高的识别准确率，实现了对猕猴桃叶部病害的准确识别。

（3）开发猕猴桃叶部病害识别系统。为了更好地实现猕猴桃叶部病害识别的系

统，帮助果农及时准确地识别出猕猴桃叶部患病类别，使用Python和JAVA语言开

发猕猴桃叶部病害系统，用户通过登录浏览器访问该系统，根据提示将待图像上传到

服务器中，系统后端调用ResNet34-CT病害识别模型进行病害识别。

关键字：猕猴桃；叶部病害识别；卷积神经网络；注意力机制；迁移学习

I

Abstract

Abstract

Kiwifruitleafdiseaseshavelongbeenasignificantissueimpactingboth

itsyieldandquality.Howtoidentifythecategoriesofkiwifruitleaf

diseasesquicklyandaccurately,andsubsequentlyappropriatecontrol

measurestopreventareductioninyieldandquality,hasbeenapersistent

challengeinkiwifruitcultivation.Tosolveit,Thispaperproposesa

kiwifruitleafdiseaserecognitionalgorithmbasedonatransferlearning

convolutionalneuralnetworkalgorithmfusedwithanattentionmechanism.The

aimistoaccuratelyrecognizesixcommondiseasesonkiwifruitleaves,namely

brownspot,mosaicdisease,greyspot,greymold,ulcer,andanthracnose.The

mainworkincludesthefollowin