在精准农业领域，由于错误率高、影响因素多、条件不稳定等问题，从图像诊断水稻病害仍然具有挑战性。传统的作物病害监测方法涉及有损取样、实验室分析和专用仪器，具有破坏性和滞后性。虽然机器学习和卷积神经网络在识别水稻疾病方面显示出有希望的结果，但它们解释疾病特征之间关系的能力有限。
在本研究中，作者提出了一种改进的水稻疾病分类方法，该方法将卷积神经网络（CNN）与双向门控循环单元（BiGRU）相结合。具体来说，作者在 Inception 模块中引入了残差机制，扩展了模块的深度，并集成了一个改进的卷积块注意力模块 （CBAM）。训练并测试了改进的CNN和BiGRU，连接CNN和BiGRU模块的输出，并将它们传递给分类层进行识别。实验结果表明，该方法对4种水稻病害的识别准确率达到98.21%，为水稻病害识别研究提供了一种可靠的方法。实验证明了所提模型的有效性，与其他模型相比，实验表明该模型具有更高的精度和更低的成本。
图1 改进的CNN-BiGRU结构
图2 改进的CNN模块的内部结构。
图3 （a）为原始通道注意力模块；（b）为改进后的通道注意力模块；（c）是改进的CBAM在卷积神经网络中的集成。
图4 改进CNN-BiGRU的准确率和损失率曲线。
图5 深度学习模型在水稻数据集上的表现。
文献来源：Lu, Y.; Wu, X.; Liu, P.; Li, H.; Liu, W. Rice disease identification method based on improved CNN-BiGRU. Artificial Intelligence in Agriculture, 2023. https://doi.org/10.1016/j.aiia.2023.08.005.
鄂公网安备42018502003245号 网站地图
