基于輕量化CBAM—GoogLeNet的辣椒病蟲害識(shí)別

摘要：針對(duì)GoogLeNet模型在自然環(huán)境下進(jìn)行辣椒葉片病蟲害識(shí)別時(shí)存在網(wǎng)絡(luò)參數(shù)多、模型內(nèi)存大以及訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題，提出一種融合CBAM機(jī)制的輕量化GoogLeNet模型（CBAM—GoogLeNet）。采用CBAM注意力機(jī)制替換Inception（4b）和Inception（4c）模塊，將該注意力機(jī)制插入到平均池化層之后，在全連接層中添加L2正則化，達(dá)到減小訓(xùn)練模型和縮短訓(xùn)練時(shí)長(zhǎng)的目的，同時(shí)保證網(wǎng)絡(luò)模型的高準(zhǔn)確率和驗(yàn)證率，并結(jié)合MATLAB平臺(tái)設(shè)計(jì)一款可視化的辣椒病蟲害識(shí)別系統(tǒng)。結(jié)果表明，CBAM—GoogLeNet的模型大小相比AlexNet、VGG16、VGG19和GoogLeNet分別縮小91.2%、96.2%、96.3%和15.0%，訓(xùn)練時(shí)長(zhǎng)分別減少12.7%、26.5%、62.2%和8.8%，此外，該模型的識(shí)別準(zhǔn)確率達(dá)到99.5%，驗(yàn)證準(zhǔn)確率達(dá)到97.3%，實(shí)現(xiàn)模型輕量化和快速精準(zhǔn)識(shí)別的目標(biāo)。為辣椒及時(shí)防治、減少損失提供一種有效的技術(shù)支持。

關(guān)鍵詞：辣椒病蟲害；精準(zhǔn)識(shí)別；輕量化模型；注意力機(jī)制；深度學(xué)習(xí)

中圖分類號(hào)：TP 391.4； S435.79""""" 文獻(xiàn)標(biāo)識(shí)碼：Anbsp;"""" 文章編號(hào)：2095?5553"（2025）"02?0224?07

Identification of pepper pests and diseases based on lightweight CBAM—GoogLeNet

Dai Min， Sun Wenjing， Miao Hong

（College of Mechanical Engineering， Yangzhou University， Yangzhou， 225127， China）

Abstract： In order to address the issues of numerous network parameters， large model memory and long training time in recognizing diseases and pests on pepper leaves in natural environments by using the GoogLeNet model， a lightweight GoogLeNet model incorporating the CBAM mechanism （CBAM—GoogLeNet） is proposed. In this model， Inception （4b） and Inception （4c） modules are replaced by the CBAM attention mechanism， while this attention mechanism is inserted into "the average pooling layer， and L2 regularization is added in the fully connected layer， so as to reduce the model size and shorten the training time， while ensuring high accuracy and validation rates of the network model. A visual pepper disease and pest identification system is also designed by using the MATLAB platform. The results show that the size of the CBAM—GoogLeNet model is reduced by 91.2%， 96.2%， 96.3%， and 15.0% compared to AlexNet， VGG16， VGG19， and GoogLeNet， respectively. The training time is reduced by 12.7%， 26.5%， 62.2%， and 8.8%， respectively. Additionally， the model achieves an identification accuracy of 99.5% and a validation accuracy of 97.3%， realizing the goals of model lightweighting and fast， accurate recognition. This provides effective technical support for timely prevention and control of pepper diseases and pests， and the reduction of losses.

Keywords： pepper pests and diseases; accurate recognition; lightweight model; attention mechanism; deep learning

收稿日期：2023年10月23日""""""" 修回日期：2023年12月18日

? 基金項(xiàng)目：江蘇省科技項(xiàng)目——現(xiàn)代農(nóng)業(yè)重點(diǎn)及面上項(xiàng)目（BE2023330）；江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金項(xiàng)目（CX（22）3117）

第一作者：戴敏，男，1987年生，安徽蕪湖人，博士，副教授；研究方向?yàn)橹腔坜r(nóng)業(yè)、病蟲害識(shí)別。E?mail： daimin@yzu.edu.cn

0 引言

辣椒富含豐富的胡蘿卜素、辣椒紅素和辣椒素等成份[1]。根據(jù)國(guó)家統(tǒng)計(jì)局和CEIC數(shù)據(jù)庫(kù)的數(shù)據(jù)，2024年我國(guó)辣椒種植面積已達(dá)到2"100"khm2，產(chǎn)能3.7×104 kt。隨著辣椒種植規(guī)模的擴(kuò)大，辣椒的病蟲害問(wèn)題更加突出，給辣椒的品質(zhì)和產(chǎn)量造成嚴(yán)重影響。在早期，辣椒病蟲害識(shí)別主要依靠專家經(jīng)驗(yàn)，該方法受到環(huán)境以及人為因素影響較大且費(fèi)時(shí)費(fèi)力。隨著人工智能技術(shù)的飛速發(fā)展，基于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)算法的技術(shù)得到廣泛應(yīng)用和發(fā)展，也為病蟲害識(shí)別提供新的思路[2]。CNN網(wǎng)絡(luò)[3]、AlexNet網(wǎng)絡(luò)[4]、VGG—16網(wǎng)絡(luò)[5]、VGG—19網(wǎng)絡(luò)[6]等深度學(xué)習(xí)方法在作物病蟲害識(shí)別方面取得了良好的效果，但存在模型參數(shù)過(guò)多和網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜等問(wèn)題。

為解決這一問(wèn)題，提出了GoogLeNet[7]網(wǎng)絡(luò)模型，該模型已成功應(yīng)用在病蟲識(shí)別領(lǐng)域。萬(wàn)軍杰等[8]采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法對(duì)病蟲害樣本進(jìn)行識(shí)別與危害程度分級(jí)；宋晨勇等[9]在GooLeNet模型的基礎(chǔ)上減少inception模塊上的數(shù)量并優(yōu)化模型對(duì)蘋果葉病進(jìn)行診斷；黃雙萍等[10]提出深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet模型的水稻穗瘟病檢測(cè)方法，穗瘟病害預(yù)測(cè)最高準(zhǔn)確率為92.0%；Li等[11]提出了一種微調(diào)的GoogLeNet模型用來(lái)識(shí)別害蟲種類；Zhang等[12]使用改進(jìn)型的GoogLeNet網(wǎng)絡(luò)架構(gòu)對(duì)玉米圖片進(jìn)行模型訓(xùn)練和測(cè)試識(shí)別達(dá)到了很高的準(zhǔn)確率。

以往的網(wǎng)絡(luò)結(jié)構(gòu)中，為降低訓(xùn)練誤差，使用了更大的卷積層，這使得訓(xùn)練的參數(shù)更多計(jì)算難度加大，對(duì)于自身硬件也提出更高的要求，而GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)所提出的Inception模塊，通過(guò)使用多個(gè)不同大小的卷積核和池化操作，來(lái)捕捉不同尺度的特征優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高模型的表達(dá)能力和分類準(zhǔn)確率，降低計(jì)算難度和對(duì)硬件的要求。以上研究大多是將復(fù)雜的網(wǎng)絡(luò)模型替換為GoogLeNet模型或進(jìn)行參數(shù)上的微調(diào)，但GoogLeNet模型本身網(wǎng)絡(luò)較深且有多個(gè)分支，需較大內(nèi)存存儲(chǔ)中間特征圖，限制其在一些資源受限的設(shè)備上的應(yīng)用。

針對(duì)上述問(wèn)題，本文從減少網(wǎng)絡(luò)參數(shù)和訓(xùn)練時(shí)長(zhǎng)保證準(zhǔn)確率方面出發(fā)，圍繞辣椒病蟲害識(shí)別進(jìn)行詳細(xì)研究，提出一種結(jié)合注意力機(jī)制的GoogLeNet輕量化改進(jìn)模型，以期為辣椒及時(shí)防治減少損失提供一種快速有效的技術(shù)支持。

1 材料與方法

1.1 圖像數(shù)據(jù)

使用的辣椒病蟲害圖像主要來(lái)源于AI"Studio官網(wǎng)（https：//aistudio.baidu.com/index）和揚(yáng)州大學(xué)機(jī)械工程學(xué)院實(shí)驗(yàn)室，實(shí)驗(yàn)室所用設(shè)備為xiaomi"mix2s（像素1nbsp;200萬(wàn)）。選取3種狀態(tài)的辣椒圖像：螨蟲感染、臍腐病和健康狀態(tài)。這些圖像大多數(shù)是在復(fù)雜環(huán)境下采集，更貼近實(shí)際情況，如圖1所示。

1.2 圖像預(yù)處理

由于原始圖像大都為田間采集，容易出現(xiàn)過(guò)擬合和識(shí)別困難的現(xiàn)象，故對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)處理。借助MATLAB自編程序通過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)、模糊、平移和銳化兩兩組合批量處理的方法，如圖2所示，對(duì)圖像數(shù)據(jù)集進(jìn)行擴(kuò)展，最終數(shù)據(jù)集圖像總計(jì)2"416張，其中螨蟲感染圖像1"356張，臍腐病圖像660張，健康圖像400張。隨機(jī)抽取數(shù)據(jù)集總數(shù)的70%作為網(wǎng)絡(luò)的訓(xùn)練集，20%作為驗(yàn)證集，剩余的10%作為測(cè)試集。

1.3"GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)

GoogLeNet[7]網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，主要由9個(gè)Inception模塊和3個(gè)分類器組成，整體結(jié)構(gòu)共22層，依次是3個(gè)卷積層和2個(gè)最大池化層、9個(gè)Inception模塊和2個(gè)最大池化層，在Inception模塊之后是全局平均池化層、全連接層和Soft層。

由圖3可知，該網(wǎng)絡(luò)結(jié)構(gòu)較深，并行模塊較多，易出現(xiàn)訓(xùn)練時(shí)間長(zhǎng)和過(guò)早擬合等問(wèn)題，因此，通過(guò)改進(jìn)手段來(lái)改善這網(wǎng)絡(luò)結(jié)構(gòu)所存在的問(wèn)題以達(dá)到優(yōu)化辣椒病蟲害識(shí)別結(jié)果的目的。

1.4 改進(jìn)GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)

針對(duì)GoogLeNet模型存在網(wǎng)絡(luò)參數(shù)較多、訓(xùn)練模型較大及訓(xùn)練時(shí)長(zhǎng)較久的問(wèn)題，提出融合CBAM模塊的GoogLeNet輕量化改進(jìn)模型（CBAM—GoogLeNet），網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。通過(guò)去除模塊Inception（4b）和Inception（4c）之后引入CBAM注意力機(jī)制，來(lái)減少網(wǎng)絡(luò)參數(shù)和縮短訓(xùn)練時(shí)間，使模型更加輕量化，同時(shí)保證病蟲害識(shí)別的準(zhǔn)確率；并在Global"AvgPool層之后也引入CBAM注意力機(jī)制，來(lái)增強(qiáng)模型對(duì)重要特征的關(guān)注能力，提升模型的性能和泛化能力，并適應(yīng)不同尺度的特征表示需求，滿足田間復(fù)雜環(huán)境下辣椒病蟲害精準(zhǔn)識(shí)別的要求；通過(guò)在FC中增加L2正則化，來(lái)防止模型的過(guò)擬合，減少?gòu)?fù)雜度并提高模型的泛化能力。

1.4.1"CBAM注意力機(jī)制模塊

CBAM模塊[13]由通道注意力模塊和空間注意力模塊組成，是一種用于增強(qiáng)深度學(xué)習(xí)模型的注意力機(jī)制，如圖5所示，具體表達(dá)公式如式（1）、式（2）所示。

式中： [f7×7]——卷積核大小為[7×7]的卷積操作。

CBAM的設(shè)計(jì)理念在于將通道注意力和空間注意力相融合，創(chuàng)造一種串行注意力結(jié)構(gòu)，使模型能夠有針對(duì)性地關(guān)注通道和空間信息。這種結(jié)構(gòu)不僅能減少通道特征數(shù)和無(wú)關(guān)區(qū)域，還賦予整個(gè)注意力模塊更好的可移植性。與原模型相比，添加CBAM的優(yōu)勢(shì)為：（1）CBAM的引入有助于剔除復(fù)雜環(huán)境圖像中的無(wú)關(guān)特征，顯著提升了模型對(duì)于細(xì)粒度任務(wù)的識(shí)別效果；（2）原網(wǎng)絡(luò)中的Inception模塊雖然通過(guò)設(shè)計(jì)稀疏網(wǎng)絡(luò)結(jié)構(gòu)提高網(wǎng)絡(luò)表現(xiàn)能力，但CBAM的注意力機(jī)制與其相似，卻更有效地提升網(wǎng)絡(luò)能力的同時(shí)節(jié)約計(jì)算資源。CBAM在確保性能的同時(shí)，避免網(wǎng)絡(luò)模型過(guò)于深層和數(shù)據(jù)稠密繁雜的問(wèn)題；（3）CBAM采用串行結(jié)構(gòu)，使其更容易被替換和移植到不同的網(wǎng)絡(luò)架構(gòu)中，這種設(shè)計(jì)既保持網(wǎng)絡(luò)的相對(duì)淺層結(jié)構(gòu)，又展現(xiàn)出色的泛化能力。

1.4.2"L2正則化

L2正則化通過(guò)在損失函數(shù)中添加權(quán)重的L2范數(shù)的平方項(xiàng)來(lái)約束模型參數(shù)的大小，在深度學(xué)習(xí)中有助于解決模型過(guò)擬合的問(wèn)題，具體計(jì)算如式（5）所示。

[Loss_with_regularization=loss（w，x）+λw22] （5）

式中： [loss（w，x）]——模型原始損失函數(shù)；

[w]——權(quán)重向量；

[λ]——正則化參數(shù)。

全連接層作為GoogLeNet網(wǎng)絡(luò)模型中參數(shù)量最多的部分，存在過(guò)擬合和模型參數(shù)不穩(wěn)定增長(zhǎng)的問(wèn)題，而通過(guò)借助L2正則化分別對(duì)全連接層的參數(shù)和權(quán)重進(jìn)行懲罰約束，可以有效緩解這些問(wèn)題。（1）L2正則化通過(guò)對(duì)參數(shù)進(jìn)行懲罰，使模型更傾向于學(xué)習(xí)更為簡(jiǎn)單且泛化能力更強(qiáng)的表示，有助于防止在訓(xùn)練集上的過(guò)度擬合。（2）L2正則化通過(guò)對(duì)全連接層的權(quán)重進(jìn)行約束，使其保持在一個(gè)合理的范圍內(nèi)，避免參數(shù)過(guò)大可能導(dǎo)致的數(shù)值不穩(wěn)定性，有助于提高模型的魯棒性和泛化能力，使其更好地適應(yīng)不同的數(shù)據(jù)分布。

2 結(jié)果與分析

2.1 超參數(shù)設(shè)置

超參數(shù)的設(shè)置在模型訓(xùn)練中起著至關(guān)重要的作用，找到最佳的超參數(shù)組合，可以極大程度地提高模型的性能和泛化能力。通過(guò)參考和試驗(yàn)類似數(shù)據(jù)集的超參數(shù)，對(duì)本文數(shù)據(jù)集進(jìn)行超參數(shù)調(diào)整。優(yōu)化算法選用Adam算法，具有計(jì)算效率高、內(nèi)存小的優(yōu)點(diǎn)。采用批量訓(xùn)練方式每個(gè)迭代使用10個(gè)樣本進(jìn)行訓(xùn)練，訓(xùn)練輪次為50輪，每輪迭代次數(shù)為138次，共迭代6"900次，驗(yàn)證頻率為每10個(gè)迭代進(jìn)行一次驗(yàn)證。初始學(xué)習(xí)率為0.000"01。L2正則化系數(shù)為0.001。訓(xùn)練環(huán)境為GPU執(zhí)行。

2.2 訓(xùn)練環(huán)境

計(jì)算機(jī)配置為：Windows11操作系統(tǒng)，CPU為13th"Gen"Intel（R）"Core（TM）"i5-13500HX，GPU為英偉達(dá)RTX"4060"8"GB。模型的編程語(yǔ)言為MATLAB，編程平臺(tái)為MATLAB"R2022b。

2.3 評(píng)價(jià)指標(biāo)

為能夠更加直觀評(píng)價(jià)模型的好壞，采用準(zhǔn)確率A、驗(yàn)證率V、損失值L[18]、模型大小M、訓(xùn)練時(shí)間T作為算法可靠性和性能的評(píng)價(jià)指標(biāo)，其中模型大小M表示該模型在訓(xùn)練完成后所占用的計(jì)算機(jī)存儲(chǔ)空間，單位為MB。

2.4 消融試驗(yàn)

針對(duì)模型不同模塊進(jìn)行消融試驗(yàn)，將CBAM—GoogLeNet、GoogLeNet以及去除Inception的GoogLeNet（GoogLeNet—Inception）進(jìn)行性能對(duì)比分析，如圖6和表1所示。根據(jù)圖6可知，CBAM—GoogLeNet在前50輪迭代中收斂曲線雖略有波動(dòng)，但也很快收斂，對(duì)比其他兩個(gè)模型的性能圖可知，改進(jìn)后的CBAM—GoogLeNet網(wǎng)絡(luò)模型在保證GoogLeNet網(wǎng)絡(luò)模型的高驗(yàn)證率的同時(shí)又兼具GoogLeNet—Inception網(wǎng)絡(luò)模型的較少參數(shù)量的優(yōu)點(diǎn)。并且根據(jù)表1可得，相較其他兩個(gè)模型，CBAM—GoogLeNet在訓(xùn)練時(shí)長(zhǎng)方面分別縮短38%和15%，在模型大小方面，比GoogLeNet縮小15%，比GoogLeNet—Inception僅增加1%，綜上可知，CBAM—GoogLeNet網(wǎng)絡(luò)模型可以達(dá)到縮減參數(shù)量和訓(xùn)練時(shí)長(zhǎng)的同時(shí)保證模型識(shí)別精度的目的。

2.5 各模型對(duì)比

為驗(yàn)證改進(jìn)模型的優(yōu)越性和先進(jìn)性，選取當(dāng)前識(shí)別效果較好的幾個(gè)深度學(xué)習(xí)模型，即AlexNet、ResNet—18、VGG16、VGG19和GoogLeNet。在相同參數(shù)設(shè)置下，進(jìn)行訓(xùn)練模型，如圖7所示。

由圖7（a）可知，所有模型的驗(yàn)證率均呈上升趨勢(shì)且達(dá)到收斂狀態(tài)，除ResNet—18網(wǎng)絡(luò)模型，其他網(wǎng)絡(luò)模型均達(dá)到90%以上的驗(yàn)證率，GoogLeNet模型在第8輪次時(shí)，最先趨于收斂，CBAM—GoogLeNet在第10輪次趨于收斂，略慢于GoogLeNet，但也達(dá)到高驗(yàn)證率的效果，表明CBAM—GoogLeNet具有GoogLeNet高驗(yàn)證率的優(yōu)異性能。圖7（b）為模型迭代的損失值曲線，所有模型均能達(dá)到收斂狀態(tài)，CBAM—GoogLeNet和GoogLeNet兩個(gè)模型損失值均低于其他模型，其中CBAM—GoogLeNet在第10輪次之前損失值略高于GoogLeNet，但在10輪次之后損失值收斂在0.2左右，優(yōu)于GoogLeNet（0.3左右的損失值），表明CBAM—GoogLeNet同樣具有低損失值的優(yōu)點(diǎn)。

各模型的性能對(duì)比如表2所示，CBAM—GoogLeNet的準(zhǔn)確率為99.5%、驗(yàn)證率為97.3%，均達(dá)到GoogLeNet模型的水平并且均優(yōu)于其他4個(gè)網(wǎng)絡(luò)模型，CBAM—GoogLeNet的模型大小為18.1"MB，是AlexNet、VGG16、VGG19和GoogLeNet模型大小的8.8%、3.8%、3.7%和84.9%，訓(xùn)練時(shí)長(zhǎng)455"min，是AlexNet、ResNet—18、VGG16、VGG19和GoogLeNet訓(xùn)練時(shí)長(zhǎng)的87.3%、90.4%、73.5%、37.8%和61.2%，其中ResNet—18模型在模型大小方面較CBAM—GoogLeNet低8.2%，但該模型在準(zhǔn)確率、驗(yàn)證率和訓(xùn)練時(shí)長(zhǎng)方面分別低0.2%、8.1%、10.5%，故CBAM—GoogLeNet模型的性能優(yōu)于ResNet—18模型。

綜上結(jié)果表明，CBAM—GoogLeNet模型憑借著輕量化和高效性的性能優(yōu)于其他5種模型。

3 系統(tǒng)設(shè)計(jì)與可視化

為更直觀地驗(yàn)證模型的實(shí)用性和可行性，基于MATLAB"R2022b平臺(tái)開發(fā)一款辣椒病蟲害識(shí)別系統(tǒng)，包含登入注冊(cè)模塊、實(shí)時(shí)采集模塊和病蟲害識(shí)別模塊，具體流程如圖8所示。

3.1 病蟲害識(shí)別系統(tǒng)具體實(shí)現(xiàn)

基于MATLAB"GUI進(jìn)行系統(tǒng)設(shè)計(jì)和運(yùn)行，登入注冊(cè)模塊為系統(tǒng)的安全防護(hù)模塊，在用戶第一次使用系統(tǒng)時(shí)，可以進(jìn)行賬戶注冊(cè)，注冊(cè)時(shí)用戶可以設(shè)置使用賬戶和密碼，并對(duì)設(shè)置的密碼進(jìn)行確認(rèn)，然后輸入手機(jī)號(hào)便于后續(xù)的密碼修改，點(diǎn)擊注冊(cè)按鈕完成注冊(cè)，即可進(jìn)行登錄。通過(guò)上述注冊(cè)環(huán)節(jié)注冊(cè)完成后，使用者可以得到有效的賬戶名和登錄密碼，登錄界面上進(jìn)行信息輸入然后進(jìn)入系統(tǒng)。如果賬戶或者密碼登錄錯(cuò)誤，系統(tǒng)會(huì)彈出錯(cuò)誤提示對(duì)話框，點(diǎn)擊確定按鈕，界面返回至登錄界面，需要重新輸入賬號(hào)和密碼然后再次登錄。

系統(tǒng)登錄成功后進(jìn)入主界面，主界面包含2個(gè)主要功能模塊，分別為實(shí)時(shí)采集模塊和病蟲害識(shí)別模塊。操作者進(jìn)入實(shí)時(shí)采集模塊界面，點(diǎn)擊打開攝像頭，相機(jī)所返回的實(shí)時(shí)圖像就會(huì)顯示在界面內(nèi)，對(duì)辣椒的圖像或者其他信息可以實(shí)時(shí)拍攝并保存，圖像保存在當(dāng)前路徑文件夾下，方便隨時(shí)調(diào)用查看，通過(guò)點(diǎn)擊關(guān)閉攝像頭使畫面關(guān)閉。

操作者需返回到系統(tǒng)登錄的主界面，選擇病蟲害識(shí)別模塊，轉(zhuǎn)到病蟲害識(shí)別界面。點(diǎn)擊讀取，返回文件打開對(duì)話框，選擇采集模塊所保存的圖片，產(chǎn)生讀取狀態(tài)提示，等待圖片載入完成，在靜態(tài)文本中返回圖片名稱，點(diǎn)擊檢測(cè)結(jié)果按鈕，即調(diào)用訓(xùn)練好的CBAM—GoogLeNet模型進(jìn)行識(shí)別，完成后會(huì)在靜態(tài)文本框內(nèi)返回辣椒的病蟲害種類，并給出對(duì)應(yīng)的防治建議。

3.2 識(shí)別系統(tǒng)測(cè)試

為驗(yàn)證識(shí)別系統(tǒng)的準(zhǔn)確性和可靠性，從測(cè)試集中挑選出每種病蟲害各50張，共150張圖片，結(jié)果如圖9和表3所示。改進(jìn)模型對(duì)螨蟲感染識(shí)別準(zhǔn)確率達(dá)到94%，臍腐病識(shí)別準(zhǔn)確率達(dá)到98%，健康葉片準(zhǔn)確率達(dá)到100%。測(cè)試結(jié)果表明，改進(jìn)模型對(duì)辣椒病蟲害的識(shí)別效果滿足精準(zhǔn)識(shí)別病蟲害的要求。

4 結(jié)論

提出一種高驗(yàn)證率、高效率的CBAM—GoogLeNet網(wǎng)絡(luò)模型用于辣椒的病蟲害識(shí)別，可為辣椒病蟲害精準(zhǔn)識(shí)別提一種有效的技術(shù)支持。

1）"通過(guò)去除模塊Inception（4b）和Inception（4c）之后引入CBAM注意力機(jī)制，并在Global"AvgPool層之后也引入CBAM注意力機(jī)制，再通過(guò)在FC中增加L2正則化，在大大降低網(wǎng)絡(luò)參數(shù)的同時(shí)保證準(zhǔn)確率和驗(yàn)證率。通過(guò)消融試驗(yàn)可知，在訓(xùn)練時(shí)長(zhǎng)方面，與GoogLeNet和GoogLeNet—Inception相比，CBAM—GoogLeNet分別縮短38%和15%；在模型大小方面，比GoogLeNet縮小15%，比GoogLeNet—Inception僅增加1%。綜上說(shuō)明，CBAM—GoogLeNet網(wǎng)絡(luò)模型可以達(dá)到縮減參數(shù)量和訓(xùn)練時(shí)長(zhǎng)的同時(shí)保證模型識(shí)別精度的目的。

2）"在相同的試驗(yàn)條件下，本模型與AlexNet、ResNet—18、VGG16、VGG19和GoogLeNet相比，模型大小分別縮小91.2%、-8.2%、96.2%、96.3%和15.0%，訓(xùn)練時(shí)長(zhǎng)分別縮短12.7%、9.5%、26.5%、62.2%和38.8%。其中ResNet—18模型大小雖略有優(yōu)勢(shì)但綜合準(zhǔn)確率、驗(yàn)證率以及訓(xùn)練時(shí)長(zhǎng)方面依舊是本模型最優(yōu)。

3）"基于MATLAB平臺(tái)設(shè)計(jì)的可視化辣椒病蟲害識(shí)別系統(tǒng)，對(duì)病蟲害的準(zhǔn)確識(shí)別率在90%以上，滿足精準(zhǔn)識(shí)別要求。本模型具有在有限計(jì)算資源平臺(tái)上能夠?qū)崿F(xiàn)高效率精準(zhǔn)識(shí)別辣椒病蟲害的應(yīng)用前景。

參 考 文 獻(xiàn)

[ 1 ]""""" 陳翔宇， 阿不夏合滿nbsp;?"穆巴拉克， 秦榮艷， 等. 辣椒及其副產(chǎn)品在動(dòng)物生產(chǎn)中的應(yīng)用研究進(jìn)展[J]. 飼料研究， 2023， 46（18）： 179-182.

[ 2 ]""""" 張楠楠， 張曉， 白鐵成， 等. 基于CBAM—YOLO v7的自然環(huán)境下棉葉病蟲害識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023（S1）：1-12.

Zhang Nannan， Zhang Xiao， Bai Tiecheng， et al. Identification method of cotton leaf pests and diseases in natural environment based on CBAM—YOLO v7 [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023（S1）： 1-12.

[ 3 ]""""" Turkoglu M， Hanbay D， Sengur A. Multi?model LSTM-based convolutional neural networks for detection of apple diseases and pests [J]. Journal of Ambient Intelligence and Humanized Computing， 2022， 13（7）： 3335-3345.

[ 4 ]""""" 何前， 郭峰林， 王哲豪， 等. 基于改進(jìn)AlexNet的葡萄葉部病害分類算法[J]. 揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 26（2）： 52-58.

He Qian， Guo Fenglin， Wang Zhehao， et al. Grap leaf disease classification algorithm based on improved AlexNet [J]. Journal of Yangzhou University （Natural Science Edition）， 2023， 26（2）： 52-58.

[ 5 ]""""" Alatawi A A， Alomani S M， Alhawiti N I， et al. Plant disease detection using AI based VGG-16 model [J]. International Journal of Advanced Computer Science and Applications， 2022， 13（4）： 718-727.

[ 6 ]""""" Dogra R， Rani S， Singh A， et al. Deep learning model for detection of brown spot rice leaf disease with smart agriculture [J]. Computers and Electrical Engineering， 2023， 109： 108659.

[ 7 ]""""" 許可. 卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 杭州： 浙江大學(xué)， 2013.

[ 8 ]""""" 萬(wàn)軍杰， 祁力鈞， 盧中奧， 等. 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 26（11）： 209-221.

Wan Junjie， Qi Lijun， Lu Zhongao， et al. Recognition and grading of diseases and pests in orchard by GoogLeNet based on Transfer Learning [J]. Journal of China Agricultural University， 2021， 26（11）： 209-221.

[ 9 ]""""" 宋晨勇， 白皓然， 孫偉浩， 等. 基于GoogLeNet改進(jìn)模型的蘋果葉病診斷系統(tǒng)設(shè)計(jì)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（7）： 148-155.

Song Chenyong， Bai Haoran， Sun Weihao， et al. Design of apple leaf disease diagnosis system based on GoogLeNet improved model [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（7）： 148-155.

[10]""""" 黃雙萍， 孫超， 齊龍， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（20）： 169-176.

Huang Shuangping， Sun Chao， Qi Long， et al. Rice panicle blast identification method based on deep convolution neural network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（20）： 169-176.

[11]""""" Li Y， Wang H， Dang L M， et al. Crop pest recognition in natural scenes using convolutional neural networks[J]. Computers and Electronics in Agriculture， 2020， 169： 105174.

[12]""""" Zhang X， Qiao Y， Meng F， et al. Identification of maize leaf diseases using improved deep convolutional neural networks [J]. Ieee Access， 2018， 6： 30370-30377.

[13]""""" Dou S， Wang L， Fan D， et al. Classification of citrus Huanglongbing degree based on cbam?mobilenetv2 and transfer learning [J]. Sensors， 2023， 23（12）： 5587.