2023，Vol.43，No.06农业与技术※农业工程基于卷积神经网络的玉米叶片疾病识别研究史亚平汪宗光(黄河科技学院工学部，河南郑州450062)摘要:玉米是我国农业经济发展的重要粮食作物，本文针对玉米叶片图像的病害识别与分类作为切入点，深入研究Inception模型在该领域的应用。针对现有的玉米叶数据集，研究了数据增强的方法，并以此来扩充数据集大小，以解决训练模型带来的泛化性能差等问题，实验证明，通过旋转、翻折、高斯噪声等扩充数据集对提升网络训练效果有积极作用。针对传统Inception模型存在的识别准确率低的问题，引入了卷积注意力机制CBAM以提高模型对重要特征的提取能力，在玉米叶数据集中的实验结果显示，改进后的CBAM－Inception模型相比于基线模型及VGG模型都大有提高，其准确率为96.88%。基于训练的模型参数、结合PyQt5应用程序开发框架完成了自动识别玉米叶疾病的应用程序，可以实现对玉米叶图像疾病识别。关键词:卷积神经网络;玉米叶片识别;CBAM－Inception模型中图分类号:S24文献标识码:ADOI:10.19754/j.nyyjs.20230330007收稿日期:2023－01－05基金项目:河南省民办高等学校品牌专业建设－计算机科学与技术(项目编号:ZLG201903)作者简介:史亚平(1985－)，男，硕士，讲师，工程师。研究方向:人工智能应用及软件开发。引言农作物的疾病大多显现在叶片上，对叶片的观察和识别对农作物的增产具有重要作用。玉米是我国主要种植作物之一，在我国农业战略发展中有着不可替代的作用。传统提高玉米产量的方法就是依靠专业人士根据玉米的长势及外部环境进行提前预判，然后做出相应措施进行事先防治。但是这种方法存在一定的要求，要求从业者具有大量的专业知识和丰富的种植经验;要求各个产地都要配置一定数量的技术人员，因此投入人力成本较高。随着计算机视觉领域的研究与发展，图像处理、图像检测与分类任务在农作物叶片疾病识别领域的实际应用已经成为现实。在国外，Priyadharshini等［1］认为，农作物病害的准确识别是加快农业信息化领域快速发展的必然路径，其基于卷积神经网络(CNN)的架构进行改进了LeNet模型，其在PlantVillage的玉米叶图像数据集上进行了实验，其准确率高到96.2%。Ｒocha等［2］评估了3种最先进的卷积神经网络架构对玉米叶片病害进行分类的性能，其在实验中应用了一些模型优化方法，如超参数优化方法、数据增强和参数微调策略等，其所实现的模型在玉米叶病分类上的准确率均高达97%。Sibiya等［3］设计实现的CNN模型能...
