摘要： 马铃薯作为我国最重要的农作物之一，其生长过程中的病害会直接影响其结果率。针对马铃薯叶片病害 识别率不高和病症难以判断、特征提取不充分等问题。本文基于ResNet50提出了一种改进该模型的病害识别方 法。在残差模块中引入Squeeze-and-Excitation注意力机制，通过在网络架构中引入SE注意力模块，增强通道间 的交互，使每一层都能动态调整通道权重；针对病害图像深层特征难提取的问题，采用多层小卷积核策略增强特 征提取能力，并改进主千网络中Layer4的下采样块，添加平均池化层用于减少浅层特征信息丢失。SCD_Res Net50在公开数据集PlantVillage上进行实验，与ResNet50、AlexNet和VGG16等经典模型作对比。实验表明，残 差结构改进后的模型参数量仅提升了3.19%，而模型准确率提升了4.93百分点，达到了98.18%，F分数提高了 5百分点，召回率提高了5.09百分点，精确率提高了4.82百分点。该模型不仅能准确识别马铃薯叶片病害，而 且具有出色的泛化能力，对农业病害智能诊断提供了有效解决方案。

关键词: ResNet50；注意力机制；深度学习；分类训练；特征提取

中图分类号: 

• S126