基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法

分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》

刘易雪 宋育阳 崔萍 房玉林 苏宝峰

摘要： ［目的/意义］葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严 重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，本研究提出一种结合细粒度分类和生 成对抗网络（Generative Adversarial Network，GAN） 的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分 类的性能。［方法］以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图 像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CASwin Transformer，引入通道注意力机制（Channel Attention，CA） 来增强特征表达能力，并使用ArcFace损失函数 和实例归一化（Instance Normalization，IN）来改进模型的性能。［结果和讨论］ GANformer可以生成FID score为 93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络（Convolutional Neural Networks，CNN） 的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。 最佳模型Swin Transformer 在增强数据集上达到83.97% 的准确率， 比在原始数据集上提高3.86%， 且高于 GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT 和T2TViT 等对照模型。而本研究所提的 CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer 精度提高6.54%。［结论］本研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分 布图，为葡萄园卷叶病的防治提供了参考。同时，本研究的方法为无人机遥感监测作物病害提供了一种新的思路 和技术手段。

 点击量 429  下载量 80  评论