基于卷积神经网络的农作物病虫害检测研究

农作物病虫害图像采集困难，且公共数据集较少，因此使用单一网络模型识别准确率不高。常用的数据增强方法只能对图像进行像素空间的变换，不能进行语义转换。对此，研究并提出基于隐式语义数据增强算法的CBAM-Res2Net50模型：该模型使用Res2Net50主干网络，从多尺度学习图像信息，加载预训练模型部分参数，提高模型的收敛速度；在网络残差块中添加混合注意力模块，提取并保留关键特征；训练过程中使用隐式语义数据增强算法对提取的深层网络空间特征进行语义扩充增强，提高模型的泛化能力。改进模型与现有模型在AI Challenger 2018农作物病虫害数据集上的对比实验结果表明：改进模型具有较高的识别率，其分类准确率达88.33%。改进后的模型通过挖掘相似病虫害图像的语义信息，在一定程度上解决了深度网络中由于数据不足导致的过拟合等问题。