我校信息与电气工程学院关海鸥教授指导的2020级硕士研究生于淼以第1作者，关海鸥教授为通讯作者在中科院分区3区SCI( IF:4.175 ) 期刊《Chemometricsand Intelligent Laboratory Systems》在线发表了题为“Adiagnosis model of soybean leaf diseases based on improved residualneural network”的研究论文。
针对目前基于深度学习的病害诊断模型复杂度较高且计算量大，难以应用到常用的便携式移动终端等问题，本文提出了一种基于注意力机制和残差神经网络的轻量级大豆病害诊断模型。在传统残差神经网络上应用注意力机制和捷径连接来构造残差注意力层（RAL），并嵌入残差神经网络（ResNet18）中以替代残差结构层，建立大豆病害识别的新型残差注意力网络模型（RANet18）。通过以大豆褐斑病、大豆灰斑病和大豆灰星病3种病害图像为研究对象，在提取大豆病害单叶区域共计4301幅图像为样本数据集的基础上，应用新型残差注意力网络模型进行仿真实验，其结果中大豆病害识别的平均准确率为96.50％，识别时间为0.047184s，模型大小仅为40.64MB，F1值为96.43。为了进一步验证改进模型在上述小样本数据集上，对于大豆病害图像中异变细节部分的注意力更高，提取的病害图像特征更为丰富，识别的病害准确率更高，将其与原模型进行了对比试验，RANet18比ResNet18训练时间减少了49.76%，模型规模简化了4.94%，平均识别时间节省了45.60%。该成果构建了一种适用于小样本数据集的快速、高效、准确的轻量级病害识别模型，为农作物病害快速诊断和精准防治提供了相关理论依据和技术保障。
本研究得到了国家自然基金(31601220)、黑龙江省自然基金(LH2021C062)、黑龙江八一农垦大学三横三纵(TDJH202101和ZRCQC202006)、黑龙江省博士后科研发展基金(LBH-Q20053)以及研究生创新科研项目(YJSCX2021-Y113)的资助。
