基于改进ResNet34的玉米病害分类研究.pdf

第 13 期2023 年 7 月无线互联科技Wireless Internet TechnologyNo.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 17 670 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玉米病害进行分类,并采用一种注意力机制来增强网络的性能2。1 相关技术1.1 深度学习 深度学习是机器学习的一个重要分支,也是人工智能领域的重要组成部分。深度学习的优势在于其具备学习和提取数据特征的能力,通过建立多层神经网络模型,并使用大量数据进行训练。在计算机视觉、自然语言处理、语音识别等领域,深度学习已经具有广泛的应用,例如:在图像识别方面,深度学习技术通过层层神经元相互协作,可以完成高效、准确的图像分类和目标检测任务。1.2 卷积神经网络 卷积神经网络通常由卷积层、池化层、激活函数、全连接层等3组成。其中,卷积层用于提取特征,池721第 13 期2023 年 7 月无线互联科技研究创新No.13July,2023化层用于降维和避免过拟合,激活函数用于引入非线性和增加网络表达能力,全连接层则用于输出最终的类别概率。卷积神经网络(CNN)作为深度学习中最重要的一种神经网络,已经在图像处理领域取得了令人瞩目的成功4。CNN 的网络结构简单、有效,具有可共享权重和局部感知域等特点,可以大幅提升训练效率和计算速度。在处理高维图像数据时,卷积神经网络展现出非常强的特征提取和分类能力。利用基于 CNN的深度学习算法,可以在图像分类、目标检测、图像识别等领域实现更加准确和高效的效果。1.3 数据增强 数据增强是一种通过对原始数据集进行多样性处理来增加样本数量和多样性的技术,以扩大训练集规模、提高模型鲁棒性、防止过拟合等目的。在深度学习领域,常常使用一些数据增强技术,如旋转、翻转、裁剪、缩放、加噪声、色彩变换等,以生成更多、更多样化的训练数据,从而提高模型的泛化能力和性能。数据增强是一种常用的数据预处理技术,被广泛应用于计算机视觉、语音识别、自然语言处理等领域中。1.4 CBAM 注意力模块 CBAM 是一种常用于图像分类任务的注意力机制,它在卷积神经网络中常常被作为一种优化方式使用。CBAM 模块可以通过对输入图像和特征通道分别进行注意力加权来提升模型的性能。主要分为两个部分:通道注意力模块(CAM)和空间注意力模块(SAM)。结构如图 1 所示。图 1 CBAM 注意力模块 CAM 部分通常包括一个全局平均池化层,用来得到每个特征通道的全局统计量,经过两个全连接层来得到每个特征通道的重要性分数。使用 sigmoid 函数对其进行归一化处理,作为每个通道的注意力权重,用来对通道特征进行加权,使得网络更加关注有利于分类的通道特征,提高分类的准确率。SAM 部分通常包括一个卷积层和一个最大池化层,通过这两个步骤来获取输入特征图每个空间区域像素的重要性。将两个模块的结果相乘,得到特征图,使得网络更加关注重要的空间位置特征,提高网络的泛化能力和精度。总之,CBAM 模块适用于目标检测、图像分类等任务,它可以使模型更加关注关键的特征区域,提升模型的性能。1.5 ResNet34 模型 ResNet34 是由微软公司提出的一种深度卷积神经网络,常被应用于图像分类、目标检测和语义分割等视觉任务中。ResNet34 是 ResNet 系列中的一个子系列,相比于更深层次的 ResNet50 和 ResNet101,其网络结构简洁,计算速度快,同时在性能上也表现出色。ResNet34 的 主 要 特 点 在 于 使 用 残 差 学 习(Residual Learning)机制。在深度卷积神经网络的训练中,梯度消失是一个很严重的问题,而 ResNet 则通过一种特殊的残差模块,堆叠多层 Residual Block 来学习非常深的网络,并避免了这一问题。Residual Block 包含 2 个或 3 个卷积层,其中第一个卷积层的卷积核大小为11,中间层的卷积核大小为33,最后一个卷积层的卷积核大小也是 11,而且在该结构中还包含了跨层的连接,以便更容易地训练出更深的网络。ResNet34 共有 32 个 Residual Block,其中前 16 个Block 包含 8 个基础卷积层,后 16 个 Block 包含 16 个基础卷积层,使得网络能够高效地提取图像特征,从而在图像分类任务中取得了优秀的性能表现。1.6 CBAM_ResNet34 模型结构 本文在 ResNet34 模型的基础上,在平均池化层的前面加入了 CBAM 注意力模块,可以对卷积层进行特征加权,有助于保留更多的信息,以增强对重要信821第 13 期2023 年 7 月无线互联科技研究创新No.13July,2023息的感受性。它还可以优化 ResNet34 模型的空间特征学习能力,进而提高图像分类的准确性。模型结构如图 2 所示。图 2 CBAM_ResNet34 模型2 实验和结果2.1 实验环境 本文的实验基于 Linux 系统,使用了两个 4 110处理器和 NVIDIA RTX 3090 GPU 平台。在实验过程中,本文采用了 PyTorch 框架来构建和训练深度学习模型,同时进行了一系列实验验证和性能评估。2.2 实验数据 本文的数据集是一个公开的玉米病害数据集,包含 8 种类别,总计 3 534 张图片,通过调整图片尺寸、色调、裁剪、旋转、边缘填充 5 种数据增强方式进行数据扩充得到 17 670 张图片。在使用数据集前,将数据集按照 6 2 2的比例划分为训练集、验证集、测试集。2.3 模型训练 本文将加入 CBAM 模块的 ResNet34 与 ResNet34两个模型进行实验对比分析,同时设置相同的超参数以保证实验条件的一致性。在训练过程中,记录了模型在验证集上的准确率。实验结果表明,CBAM_ResNet34 模型的验证集准确率达到 88.5%,相比ResNet34 提高了 1.5%。这表明加入 CBAM 模块可以有效提高 ResNet34 模型的性能,使得模型在验证集上的表现更好。2.4 模型评估 本文研究的是玉米病害分类问题,模型的评价指标包括准确率、召回率、精确率和 F1-score 等。为了评估模型的分类效果,首先通过对模型进行训练,选择每个模型最好的权重,然后对所划分的测试集测试模型的性能指标。实验结果如表 1 所示,由表可知,使用 CBAM 注意力模块对 ResNet34 进行改进,所得的分类结果表现更好,相比于 ResNet34,CBAM _ResNet34 在 4 个评价指标中均取得了更好的性能指标。CBAM_ResNet34 的准确率、精确率、召回率和 F1分数分别为 88.1%、84.9%、84.0%和 84.5%,相比ResNet34 分别提高了 1.1%、1.5%、1.3%和 1.4%。这说明 CBAM 注意力模块的引入确实有助于提高玉米病害分类的性能。表 1 模型评估单位:%模型准确率精确率召回率F1 分数ResNet3487.083.482.783.1CBAM_ResNet3488.184.984.084.52.5 分类预测 本文采用改进后的模型来预测玉米病害的种类,为了保证模型具有良好的泛化性能和可靠性,在未经过训练的测试集图片上进行了预测,这样可以更好地模拟出实际应用中的情况。预测结果如图 3 所示,对一张测试集图片进行了预测,并准确地将其分类为锈病一般,预测准确率达到 100%。这意味着本文的模型在未知数据集上具有较好的分类能力和泛化性能,具有较高的实用价值。3 结语 本文利用深度学习技术对玉米病害进行了分类研究,在模型中加入了 CBAM 注意力模块,以帮助模型更有效地学习图片中的特征,进而提高分类准确率。玉米病害分类是一项复杂而具有挑战性的任务,在不断探索和研究的基础上,需要不断提升模型的精度和准确性。未来的研究方向将包括提高模型的鲁棒性、推广到更多的玉米病害类型、将模型应用于不同领域等。921第 13 期2023 年 7 月无线互联科技研究创新No.13July,2023图 3 分类预测参考文献1周慧,严凤龙,褚娜,等.利用柔性注意力分割模型的 X 频段航海雷达图像海面溢油检测J.电讯技术,2022(12):1774-1779.2杨平,宋强功,詹仕凡,等.基于深度学习的高效构造解释技术研发及工业化应用J.石油地球物理勘探,2022(6):1265-1275,1255.3王多峰.基于特征融合和图像分割的深度学习去雾算法D.开封:河南大学,2022.4郭薇,何聪,宫照煊,等.基于 W 型网络的乳腺动态对比度增强磁共振图像合成J.计算机应用研究,2022(1):312-315.(编辑 王永超)Research on corn disease classification based on improved ResNet34Li Han1 2 Tang You2 Xin Peng1 Yang Mu3 1.Jilin Institute of Chemical Technology Jilin 132022 China 2.Jilin College of Agricultural Science and Technology Jilin 132101 China 3.FAW-Tokico Shock Absorber Co.Ltd.Changchun 130001 China Abstract Corn disease classification is a challenging problem as the diseases have similar morphological and color features making classification difficult.In this paper a convolutional neural network model named CBAM_ResNet34 is proposed for corn disease classification using deep learning techniques.The model enhances ResNet34 by adding CBAM attention modules to better extract corn disease features and improve classification performance.A publicly available corn disease dataset containing 8 categories was used and data augmentation techniques were applied to generate 17 670 images for improved model generalization.Experimental comparison between the improved model and ResNet34 showed that CBAM_ResNet34 achieved a classification accuracy of 88.1%which is a 1.1%improvement over ResNet34.The proposed model effectively recognizes and classifies corn diseases providing new methods and ideas for the development and sustainable utilization of the corn industry.Key words ResNet34 model convolutional neural network data augmentation CBAM attention module corn disease classification031