第13期2023年7月无线互联科技WirelessInternetTechnologyNo.13July,2023基金项目:吉林省科技发展计划项目;项目名称:基于数据挖掘技术的全基因组选择方法研发及云计算平台体系构建;项目编号:YDZJ202201ZYTS692。作者简介:李涵(1998—),男,河南周口人,硕士研究生;研究方向:图像分类。∗通信作者:唐友(1979—),男,黑龙江龙江人,教授,博士;研究方向:生物信息学,农业信息化。基于改进ResNet34的玉米病害分类研究李涵1,2,唐友2∗,辛鹏1,杨牧3(1.吉林化工学院,吉林吉林132022;2.吉林农业科技学院,吉林吉林132101;3.一汽东机工减振器有限公司,吉林长春130001)摘要:玉米病害分类是一个具有挑战性的问题,因为病害的形态和颜色等特征相似,使得分类难度较大。文章基于深度学习技术,对玉米病害进行分类研究,提出了一种名为CBAM_ResNet34的卷积神经网络模型。该模型在ResNet34基础上加入了CBAM注意力模块,可以更好地提取玉米病害特征,以提高模型的分类性能。本文使用公开玉米病害数据集,共包含8种类别,通过数据增强技术进行数据扩充得到17670张图片,可以有效提高模型的泛化能力。将改进后的模型与ResNet34模型进行实验对比,实验结果表明,CBAM_ResNet34模型的分类准确率为88.1%,相比ResNet34提高了1.1%。该模型能够有效地对玉米病害进行分类识别,为玉米产业的发展和可持续利用提供了一种新的方法和思路。关键词:ResNet34模型;卷积神经网络;数据增强;CBAM注意力模块;玉米病害分类中图分类号:TP391.41文献标志码:A0引言玉米是全球重要的农作物之一,其种植面积和产量在全球都排名前列。然而,玉米病害的发生给玉米生产带来了很大威胁。从叶部、茎部、穗部等不同部位的病菌的入侵,到玉米生长过程中的气候因素,都可能导致玉米病害的发生,并直接影响着玉米产量和质量。为了有效预防和治疗玉米病害,必须迅速准确地对其进行识别和分类。传统玉米病害分类方法大多依赖专业人员的经验判断,效率低下且容易造成误判。另外,由于不同玉米病害外形相似,且它们的区分度并不高。因此,需要聚焦于区分不同种类病害的关键特征。随着深度学习技术的不断发展和应用,深度学习已经被广泛应用于计算机视觉领域[1],在图像分类中取得了巨大的成功。基于深度学习的玉米病害分类成了一种新的解决方案,它利用计算机强大的自我学习、自我优化的能力,自动从玉米病害图像中学习、判断和分类,可以提高诊断的准确性和效率。本文提出了一种基于深度学习的玉米病害分类方法。该方法使用深度卷积神经网络对...
