基于密集卷积网络的甘薯黑斑病害程度分类

摘要

针对长喙壳菌侵染导致的甘薯块根黑斑病严重影响薯块品质和加工产品食用安全问题，以人工培养环境下获得的甘薯黑斑病图像为研究对象，选取总酚质量分数为内在指标，黑斑直径为外观指标，利用机器学习探索两者之间的相关性，并据此进行病害等级划分。对比分析了ResNet152、VGG19、GoogleNet、EfficientNetB7、MobileNetV2和DenseNet201模型的检测效果后，提出一种融合空间注意力机制（SA）、高效通道注意力机制（ECA）和DenseNet201网络的算法，用于甘薯黑斑病害识别研究。结果表明：1）黑斑直径与总酚质量分数的皮尔逊相关系数为0.93，呈显著正相关（P<0.01），表明甘薯外部病害特征可有效反映内部品质变化；2）在不同病害等级的甘薯黑斑病害识别中，DenseNet201模型的准确率最高，达到83.93%;3）消融实验表明，引入SA和ECA机制后构建的DenseNet201-SA-ECA模型在测试集上的分类准确率达96.8%，较原DenseNet201模型提高了12.87%，显著提升了对黑斑病害的精准识别。本研究结合深度学习与生化指标所构建的DenseNet201-SA-ECA模型在甘薯黑斑病害识别方面的性能显著优于其他卷积神经网络，可实现对甘薯黑斑病的准确识别。

关键词

甘薯 / 病害分类 / 深度学习 / 总酚质量分数 / 卷积网络模型

基金资助

国家青年科学基金项目（32301585,42001354）; 浙江省重大科技专项重点农业项目（2015C02047）