食品科学与农业工程|陈明等:基于改进残差网络的水稻病害检测

摘  要：【目的】针对传统水稻叶部病害分类方法存在的精准性差、效率低、计算量大等问题，提出一种基于改进ResNext50 的水稻叶部病害多分类算法，以提高识别精度、优化计算效率，并增强模型的泛化能力。【方法】构建了一种融合改进 CBAM 注意力机制和深度可分离卷积的多尺度卷积神经网络。该网络结合了 CBAM 模块和ResNeXt50 残差块，使用深度可分离卷积替换原始的3×3卷积，旨在精准提取水稻叶片病害的复杂特征。试验针对水稻常见病害（如黄矮病、稻蓟马、叶焦病、褐斑病、稻瘟病和细菌性叶枯病）进行分类，并评估模型在多个病害数据集上的表现。【结果】所提出的CBAM_ResNeXt50模型在水稻叶片病害数据集上的分类准确率达到99.66%，显著优于传统分类方法。此外，该模型在诊断速度和分类精度方面均有所提升，并在不同光照条件和环境变量的数据集上表现稳定，进一步验证了其较强的泛化能力和鲁棒性。【结论】基于改进ResNext50的病害分类模型能够有效提升水稻病害识别的精准性和效率。在保持较低参数量的同时，该模型可实现快速响应，为农业环境中的水稻病害诊断提供了一种高效、精准的解决方案。

关键词：水稻叶片病害；残差网络；注意力机制分类；深度学习

1

2

3