Deep learning technique for rice leaf disease classification and severity level identification via Hybrid ResConvolutional Neural Network
R. Creesy · K. Michael Mahesh
提出混合Res卷积神经网络用于水稻叶部病害分类与严重度识别，结合物联网数据采集。
HyResCN-Net结合PCNN和ResNeXt，使用Eff-UNet++分割
在数据集上准确率达94.258%，优于现有方法，支持精准农业应用。
可探索模型在多种作物病害上的泛化能力，或结合边缘计算实现田间实时诊断。
提出混合残差卷积网络用于水稻叶部病害分类与严重度识别，方法新颖且实验数据详实，对精准农业有参考价值。
水稻叶部病害显著降低农业产量，并对可持续粮食生产构成重大挑战，尤其是由于人工目视检查方法存在主观性，且在早期检测中往往效果不佳。本研究提出了一种新型混合残差卷积神经网络（HyResConvolutional Neural Network，HyResCN-Net），用于水稻叶片病害的有效分类和严重程度识别。所提出的框架集成了基于物联网（Internet of Things，IoT）的数据采集和路由模拟，采用CrowWhale能量信任路由（CrowWhale-ETR）以实现高效的数据处理。首先，通过平均滤波器进行预处理以降低噪声。然后，利用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充数据集。提取熵结合梯度方向模式（Gradient Directional Pattern，GDP）、完整局部二值模式（Complete Local Binary Pattern，CLBP）及直方图特征等特征，以增强特征表示。这些特征随后被用于所提出的HyResCN-Net模型中，该模型集成了并行卷积神经网络（Parallel Convolutional Neural Network，PCNN）和ResNeXt，以提升疾病分类和严重程度评估的判别学习能力。实验评估在水稻叶片细菌性和真菌性病害数据集上进行。在k值为8的情况下，与现有方法相比，HyResCN-Net达到了94.258%的准确率、96.479%的真阳性率（True Positive Rate，TPR）、92.898%的真阴性率（True Negative Rate，TNR）、91.312%的精确率以及93.824%的F1分数。HyResCN-Net有效增强了水稻叶片病害识别和严重程度分析，支持其在精准农业应用中的适用性。