我院本科生李威翰以第一作者身份发表SCI一区期刊论

通讯员：贾凌 责任编辑：高英睿

近日，我院2020级软件工程专业本科生李威翰以第一作者身份在国际Top期刊Computers and Electronicsin Agriculture（IF=8.300，农林科学类Q1，计算机：跨学科应用Q1）上发表题名为“Identification andlocalization of grape diseased leaf images captured by UAV based on CNN”（DOI：10.1016/j.compag.2023.108277）的高水平学术论文。该项研究由我院本科生、研究生共同组成的科研团队完成，我院于啸博士担任通信作者，太阳成集团tyc33455cc为第一单位。

研究团队为了实现农业无人机对植物叶片图像的采集并进行区域分割，以葡萄叶片为例，结合改进后的U-net和VGG-19网络，对大面积叶簇图像病害识别设计了一套处理流程。该篇论文旨在解决了在复杂环境中由于存在多个无效叶片干扰问题。首先，对训练和验证数据集进行特征提取减少网络的输入参数，提高训练速度。其次，对测试数据进行分割分为三个数据集:弱光、抖动干扰和双因素组合。经过恢复处理后采用Multi-fusion U-net网络进行病叶定位。最后，采用Improved VGG-19网络再次定位和识别疾病。实验结果表明，该方法达到了预期的无人机图像处理效果。分割的平均准确率达到71.91%，分割后的疾病定位识别率提高了12.33%，为无人智能生态农场的建设提供了实践基础。

图1.葡萄叶片病斑识别与定位程序的体系结构

图1介绍了葡萄叶片病斑识别与定位程序的体系结构。训练图像处理部分主要用于提取图像的特征，提高网络训练的速度。测试图像处理部分用于完成训练图像的采集和目标区域的获取，处理后的图像用于检测网络分类效果。使用Swish函数作为激活函数，进一步提高网络的识别能力，并使用生成的分类器对测试图像的处理图像进行分类。

图2.葡萄叶片病斑识别结果

图2展示了葡萄叶片病斑识别结果，研究团队详细测试了三种数据集下的训练结果，以及平均耗时、平均准确率等细节。该方法的分割效果在70%以上，对比提高了11%，平均耗时在43分钟左右。

该项研究的结果表明，Improved VGG-19在识别过程中速度快，识别效果准确的现象归功于训练集的特征提取和通道数量的减少。同时，即使训练数据集和测试数据集取自不同的来源，识别率仍然很高。此外，从U-net分割后识别精度的提高来看，叶簇图像的定位分割在这一过程中起着决定性的作用，也是提高VGG-19准确识别的重要前提。本研究结果不仅为实现无人智能生态农场提供了强有力的事实依据，也是一次卷积神经网络组合优化在农业领域应用的有效探索。

文章链接：

https://www.sciencedirect.com/science/article/pii/S0168169923006658