用于玉米叶片病害分类的轻量级网络ICS-ResNet

doi:10.3969/j.issn.1006-2475.2025.04.004

摘要/Abstract

摘要： 精准识别玉米叶片病害对于预防玉米疾病、提高玉米产量有着十分重要的作用。由于植物叶片图像易受到复杂背景、气候、光照和样本数据不平衡等各种因素影响，因此为提高识别精度，提出一种以ResNet50为主干网络，引入改进的空间注意力和通道注意力模块以及深度可分离残差结构的轻量级卷积神经网络ICS-ResNet。利用ResNet网络中的残差连接防止深层网络训练中梯度消失；通过改进的通道注意力模块（ICA）和空间注意力模块（ISA）充分利用不同特征层的语义信息，精准定位网络关键特征；同时为减少参数量，降低运算成本，使用深度可分离残差结构代替传统卷积运算；并使用余弦退火学习策略动态调整学习率，克服网络训练过程中的不稳定性，提高模型的收敛能力，防止陷入局部最优。最后在PlantVillage中的Corn数据集上进行实验，将提出的轻量级网络与CSPNet、InceptionNet_v3、EfficientNet、ShuffleNet、MobileNet和ResNet50等6种目前流行的网络做对比。实验结果表明，提出的ICS-ResNet网络准确率达到了98.87%，与其他6种网络相比，准确率分别提高了5.03个百分点、3.18个百分点、1.13个百分点、1.81个百分点、1.13个百分点、0.68个百分点，参数量和计算量与原始ResNet50网络相比，分别降低了16.27 MB和2.25 GB，显著提高了玉米叶片病害分类效率。

关键词: 玉米, 叶片病害, 注意力机制, 卷积神经网络, 深度可分离残差结构, 图像识别

Abstract: Accurate identification of maize leaf diseases plays a crucial role in preventing crop diseases and improving maize yield. However， plant leaf images are often affected by various factors such as complex backgrounds， climate conditions， lighting， and imbalanced sample data. To enhance recognition accuracy， this study proposes a lightweight convolutional neural network named ICS-ResNet， which is based on the ResNet50 backbone network and incorporates improved spatial and channel attention modules along with depthwise separable residual structures. The residual connections in the ResNet architecture prevent gradient vanishing during deep network training. The improved channel attention module （ICA） and spatial attention module (ISA) fully leverage semantic information from different feature layers to precisely localize key network features. To reduce the number of parameters and computational costs， traditional convolution operations are replaced with depthwise separable residual structures. Additionally， a cosine annealing learning rate strategy is employed to dynamically adjust the learning rate， mitigating training instability， enhancing the model's convergence ability， and preventing it from getting trapped in local optima.Finally， experiments were conducted on the Corn dataset from PlantVillage， comparing the proposed lightweight network with six other popular networks， including CSPNet， InceptionNet_v3， EfficientNet， ShuffleNet， and MobileNet. The results demonstrate that the ICS-ResNet model achieves an accuracy of 98.87%， outperforming the other six networks by 5.03， 3.18， 1.13， 1.81， 1.13， and 0.68 percentage points， respectively. Moreover， compared to the original ResNet50， the parameter size and computational cost are reduced by 16.27 MB and 2.25 GB， respectively， significantly improving the efficiency of maize leaf disease classification.

Key words: , corn, leaf diseases, attention mechanisms, convolutional neural networks, depth-separable residual structure, image recognition

中图分类号:

TP399

姬正杰, 魏霖静. 用于玉米叶片病害分类的轻量级网络ICS-ResNet[J]. 计算机与现代化, 2025, 0(04): 19-28.

JI Zhengjie, WEI Linjing. ICS-ResNet： A Lightweight Network for Maize Leaf Disease Classification [J]. Computer and Modernization, 2025, 0(04): 19-28.

参考文献

［1］李启平，李晏新闻. 农业装备数智化提升粮食安全的机理及经济效果［J］. 西北农林科技大学学报（社会科学版）， 2023，23（6）：76-83.
［2］王森培，赵颖文，许钰莎，等. 中国玉米供需的耦合时空演变特征分析与应对策略［J］. 西南农业学报：2023，36（8）：1625-1635.
［3］张萌，钱蓉，朱静波，等. 农作物害虫图像识别研究进展与展望［J］. 安徽农业科学， 2018，46（34）：11-12.
［4］史冰莹，李佳琦，张磊，等. 基于CNN的农作物病虫害图像识别模型［J］. 计算机系统应用， 2020，29（6）：89-96.
［5］黄志泉，徐英豪，李灿，等. 基于神经网络的病虫害识别系统［J］. 网络安全技术与应用， 2023（5）：46-48.
［6］熊梦园，詹炜，桂连友，等. 基于ResNet模型的玉米叶片病害检测与识别［J］. 江苏农业科学， 2023，51（8）： 164-170.
［7］黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究［J］. 计算机工程与应用， 2021，57（23）：178-184.
［8］曾鹏滔，撒金海，刘嘉. 基于改进ResNet18的玉米叶片病害识别方法［J］. 内蒙古农业大学学报（自然科学版）， 2023，44（6）：60-67.
［9］ WOO S， PARK J C， LEE J Y， et al. CBAM： Convolutional block attention module［C］// Proceedings of the European 15th Conference on Computer Vision（ECCV）. Springer， 2018： 3-19.
［10］刘昱彤. 基于深度学习的植物病害识别模型研究与实现［D］. 南京：南京邮电大学， 2022.
［11］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［J］. arXiv preprint arXiv：1706.03762. 2017.
［12］赵越，赵辉，姜永成，等. 基于深度学习的马铃薯叶片病害检测方法［J］. 中国农机化学报， 2022，43（10）：183-189.
［13］ GIRSHICK R. Fast R-CNN［C］// Proceedings of the IEEE International Conference on Computer Vision. IEEE， 2015：1440-1448.
［14］项小东，翟蔚，黄言态，等. 基于Xception-CEMs神经网络的植物病害识别［J］. 中国农机化学报， 2021，42（8）：177-186.
［15］武魁，高丙朋. 改进EfficientNetV2的玉米病虫害识别与分级研究［J］. 现代电子技术， 2023，46（14）：68-74.
［16］ TAN M X， LE Q V. EfficientNetV2： Smaller models and faster training［C］// Proceedings of the 38th International Conference on Machine Learning. PMLR， 2021：10096-10106.
［17］ ZHOU D Q， KANG B Y， JIN X J， et al. DeepViT： Towards deeper vision Transformer［J］. arXiv preprint arXiv：2103.11886， 2021.
［18］潘晨露，张正华，桂文豪，等. 融合ECA机制与DenseNet201的水稻病虫害识别方法［J］. 智慧农业（中英文）， 2023，5（2）：45-55.
［19］张国忠，吕紫薇，刘浩蓬，等. 基于改进DenseNet和迁移学习的荷叶病虫害识别模型［J］. 农业工程学报， 2023，39（8）：188-196.
［20］ HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017：2261-2269.
［21］马晓，邢雪，武青海. 基于改进ConvNext的复杂背景下玉米叶片病害分类［J］. 江苏农业科学， 2023，51（19）： 190-197.
［22］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：770-778.
［23］ WANG C Y， LIAO H Y M， WU Y H， et al. CSPNet： A new backbone that can enhance learning capability of CNN［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. IEEE， 2020： 1571-1580.
［24］ SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：2818-2826.
［25］ TAN M X， LE Q V. EfficientNet： Rethinking model scaling for convolutional neural networks［C］// Proceedings of the 36th International Conference on Machine Learning. PMLR， 2019：6105-6114.
［26］ ZHANG X Y， ZHOU X Y， LIN M X， et al. ShuffleNet： An extremely efficient convolutional neural network for mobile devices［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：6848-6856.
［27］ HOWARD A G， ZHU M L， CHEN B， et al. MobileNets： Efficient convolutional neural networks for mobile vision applications［J］. arXiv preprint arXiv：1704.04861， 2017.

[1]	王家乐, 宋文爱, 富丽贞. 基于HA-Net模型的职业性尘肺病筛查[J]. 计算机与现代化, 2025, 0(04): 103-110.
[2]	李浩然1, 何文雪1, 徐嘉振1, 杨帮华2. 基于多尺度动态卷积与注意力机制的抑郁脑电信号分类方法[J]. 计算机与现代化, 2025, 0(03): 60-65.
[3]	蒲亚亚, 王彦博, 苏勇东, 徐忠承. 内容引导注意力融合的多尺度特征图像去雾算法[J]. 计算机与现代化, 2025, 0(03): 78-85.
[4]	罗豪, 李先锋. 基于多尺度特征提取的遥感图像分类[J]. 计算机与现代化, 2025, 0(03): 86-92.
[5]	朱永田, 田飞, 董宝良. 基于HA-UNet++的甲状腺结节超声图像分割方法[J]. 计算机与现代化, 2025, 0(03): 93-98.
[6]	谢海情, 凌佳琪, 宜新博. 基于深度学习的舌象体质分类方法[J]. 计算机与现代化, 2025, 0(03): 99-105.
[7]	柳尧凯, 任德均, 刘重宜, 卢宇东. 面向小目标检测的自适应多维度特征融合网络[J]. 计算机与现代化, 2025, 0(03): 106-112.
[8]	张跃, 郭子昕, 黄益彬, 颜涛. 基于convLSTM的卷积神经网络的网络入侵检测方法[J]. 计算机与现代化, 2025, 0(03): 119-126.
[9]	郭华. 面向下游任务优化的不平衡数据重采样[J]. 计算机与现代化, 2025, 0(02): 28-32.
[10]	冯心洁, 王伟. 基于孪生特征融合网络的自然场景文本图像超分辨率方法[J]. 计算机与现代化, 2025, 0(02): 86-93.
[11]	赵印, 尹四清, 章永来. 改进YOLOv7的交通标志检测算法[J]. 计算机与现代化, 2025, 0(02): 94-99.
[12]	李希, 潘誉. 基于改进YOLOv8的探地雷达管线目标检测方法[J]. 计算机与现代化, 2025, 0(01): 94-99.
[13]	刘飞, 杨德刚, 章鑫, 秦静. 基于YOLOv8改进的水下目标检测算法[J]. 计算机与现代化, 2025, 0(01): 113-119.
[14]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[15]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.