基于混合残差卷积神经网络的水稻叶片病害分类及严重程度等级识别的深度学习技术

《Scientific Reports》：Deep learning technique for rice leaf disease classification and severity level identification via Hybrid ResConvolutional Neural Network

　　

摘要

水稻叶病显著降低农业产量，对可持续粮食生产构成重大挑战，这主要归因于手动和视觉检查方法的局限性，这些方法具有主观性，且在早期检测中往往效果不佳。本研究提出了一种新的混合残差卷积神经网络（HyResCN-Net），用于有效分类和识别水稻叶片病害的严重程度。所提出的框架整合了基于物联网（IoT）的数据采集和路由模拟，采用鳕鲸能量信任路由（CrowWhale-ETR）实现高效数据处理。首先，通过平均滤波器进行预处理以减少噪声。然后，使用Eff-UNet++方法对植物叶片进行分割。应用旋转、缩放和颜色变化等增强技术来扩展数据集。提取熵、梯度方向模式（GDP）、完整局部二值模式（CLBP）和直方图特征等特征以增强特征表示。这些特征随后用于所提出的HyResCN-Net模型中，该模型集成了并行卷积神经网络（PCNN）和ResNeXt，以提高疾病分类和严重程度估计的判别学习能力。实验评估在Rice Leaf Bacterial and Fungal Disease Dataset数据集上进行。在k值为8的情况下，HyResCN-Net的准确率达到了94.258%，真阳性率（TPR）为96.479%，真阴性率（TNR）为92.898%，精确率为91.312%，F1得分为93.824%，优于现有方法。HyResCN-Net有效地提高了水稻叶病的识别和严重程度分析，支持其在精准农业领域的应用。