基于改進(jìn)EfficientNetB0模型的葡萄葉部病害識(shí)別方法

摘 "要： 為了高效、準(zhǔn)確地識(shí)別葡萄葉部病害，文中提出了LE?EfficientNet模型，在EfficientNetB0模型基礎(chǔ)上，采用大核注意力（LKA）機(jī)制替換原模型部分MBConv模塊中的壓縮激勵(lì)網(wǎng)絡(luò)（SENet），接著利用跳躍連接在最后一層卷積層后面融入高效通道注意力機(jī)制（ECA），結(jié)合三種注意力機(jī)制讓網(wǎng)絡(luò)更高效地提取葡萄葉部病害的局部重要信息，并引用Adam優(yōu)化器替換原模型的SGD優(yōu)化器，提升了分類模型的泛化能力。在PlantVillage葡萄葉部病害數(shù)據(jù)集上訓(xùn)練，結(jié)果表明，LE?EfficientNet模型相比原模型準(zhǔn)確率提升了1.58%，總體精度提升了1.62%，召回率提升了1.46%，[F1]分?jǐn)?shù)提升了1.53%，并且參數(shù)量僅有10.18 MB，比原模型參數(shù)量降低2.7 MB，與其他經(jīng)典網(wǎng)絡(luò)模型相比，性能評(píng)估指標(biāo)均有不同程度的提升，該研究為葡萄葉部病害識(shí)別提供了新的參考與借鑒。

關(guān)鍵詞： 葡萄葉部病害； 卷積神經(jīng)網(wǎng)絡(luò)； 圖像分類； 大核注意力機(jī)制； 高效通道注意力機(jī)制； EfficientNetB0

中圖分類號(hào)： TN911.73?34； TP391.41 " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " 文章編號(hào)： 1004?373X（2024）15?0073?08

Grape leaf disease identification method based on improved EfficientNetB0 model

HU Shiwei1， DENG Jianxin2， WANG Haoyu1， QIU Lin1

（1. School of Computer Science， Yangtze University， Jingzhou 434023， China; 2. College of Agriculture， Yangtze University， Jingzhou 434025， China）

Abstract： In order to efficiently and accurately identify grape leaf diseases， an LE?EfficientNet model is proposed. On the basis of the EfficientNetB0 model， the large kernal attention （LKA） mechanism is used to replace the squeeze?and?excitation network （SENet） in the MBConv module of the original model. Then， skip connection is used to integrate efficient channel attention （ECA） mechanism behind the last convolutional layer， which makes the network more efficient in extracting local important information of grape leaf diseases in combination with the three attention mechanisms. The SGD （stochastic gradient descent） optimizer of the original model is replaced with Adam optimizer， which improves the generalization ability of the classification model. Training is carried out on the grape leaf disease dataset PlantVillage， and the results show that the accuracy rate of LE?EfficientNet model is improved by 1.58%， its overall accuracy is increased by 1.62%， its recall rate is increased by 1.46%， and its [F1]?score is increased by 1.53% in comparison with those of the original model. In addition， its parameter quantity is only 10.18 MB， which is decreased by 2.7 MB in comparison with that of the original model. In comparison with the other classical network models， the performance evaluation indexes of the proposed model are improved to varying degrees. To sum up， this study provides a new reference for the identification of grape leaf diseases.

Keywords： grape leaf disease; convolutional neural network; image classification; LKA mechanism; efficient channel attention mechanism; EfficientNetB0

0 "引 "言

中國是世界上葡萄栽培較早的國家之一，對葡萄的栽培有著悠久的歷史[1]。葡萄營養(yǎng)價(jià)值高、用途廣泛，其相關(guān)產(chǎn)業(yè)已經(jīng)成為我國很多地區(qū)農(nóng)業(yè)生產(chǎn)的主力[2]。隨著葡萄種植范圍增加，產(chǎn)量也在持續(xù)增長，同時(shí)種植產(chǎn)業(yè)面臨的問題也日益突出[3]。其中，葡萄葉部病害會(huì)造成減產(chǎn)，嚴(yán)重制約葡萄生長及相關(guān)經(jīng)濟(jì)發(fā)展，唯有快速精準(zhǔn)的病害識(shí)別，才能及早防控、降低損失、提高經(jīng)濟(jì)效益。

葡萄葉部病害癥狀相近且種類繁多，傳統(tǒng)的檢測方法主要是依靠人工經(jīng)驗(yàn)判斷，難免會(huì)出現(xiàn)效率低下的問題，且極易受主觀因素的影響造成誤判，錯(cuò)失最佳防控時(shí)期，影響葡萄的產(chǎn)量。

近年來，人工智能技術(shù)發(fā)展迅猛，計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)在化學(xué)結(jié)構(gòu)圖像識(shí)別[4?5]、醫(yī)學(xué)影像診斷識(shí)別[6?7]、機(jī)械零部件故障識(shí)別[8?9]等領(lǐng)域得到廣泛應(yīng)用，人工智能應(yīng)用在農(nóng)作物病害識(shí)別領(lǐng)域也取得了一定的進(jìn)展。文獻(xiàn)[10]把動(dòng)態(tài)系數(shù)函數(shù)引入到GAC測地線活動(dòng)輪廓模型中，提出Core損失函數(shù)，確立了CSJMM聯(lián)合監(jiān)管機(jī)制，最后提出了精確分割測地線活動(dòng)輪廓模型，該模型在馬陸葡萄病蟲害數(shù)據(jù)集上的識(shí)別準(zhǔn)確率達(dá)到94.06%；文獻(xiàn)[11]用基礎(chǔ)AlexNet算法，在上面增加池化層層數(shù)來壓縮特征，將原激活函數(shù)Leaky ReLU替換為函數(shù)ReLU，優(yōu)化后的模型在葡萄葉部病害的分類準(zhǔn)確率達(dá)99.1%；文獻(xiàn)[12]將YOLOv4模型中的3×3卷積換成PSA注意力機(jī)制，在頸部網(wǎng)絡(luò)中引入CA注意力機(jī)制，改進(jìn)的算法在4類葡萄葉片病害數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，其平均準(zhǔn)確率達(dá)到84.07%；文獻(xiàn)[13]提出了RFFBs殘差特征融合模塊，把殘差塊輸入前和輸出后的特征圖進(jìn)行融合，在RFFB模塊后融入CBAM注意力機(jī)制提取有效信息，在葡萄葉部病害數(shù)據(jù)集上識(shí)別準(zhǔn)確率為86.29%，性能優(yōu)于其他經(jīng)典模型；文獻(xiàn)[14]在MobileNetV2模型基礎(chǔ)上，將ECA（Efficient Channel Attention）高效通道注意力與AFF注意力特征融合，利用模型剪枝去掉冗余層，改進(jìn)的模型在農(nóng)作物病害葉片數(shù)據(jù)集上訓(xùn)練，其參數(shù)量較原模型減少了15.37%，識(shí)別準(zhǔn)確率較原模型提高了0.9%；文獻(xiàn)[15]選用EfficientNetV2作為主干網(wǎng)絡(luò)，引入DeepViT算法和特征融合網(wǎng)絡(luò)，在玉米病蟲害數(shù)據(jù)集上分級(jí)精度為92.6%。綜上所述，雖然一些學(xué)者在大模型上取得了很好的成績，但由于其參數(shù)量較大，消耗大量的計(jì)算資源，難以應(yīng)用在實(shí)際中。

近些年來，隨著輕量化網(wǎng)絡(luò)的引入，解決了參數(shù)量過大的問題，但其準(zhǔn)確率有所下降。

為此，本文提出基于改進(jìn)的輕量化EfficientNetB0模型[16]，旨在保證參數(shù)量小的同時(shí)也能兼顧較高的準(zhǔn)確率，平衡二者關(guān)系，為農(nóng)作物葉部病害識(shí)別、診斷提供新的參考與借鑒。

1 "實(shí)驗(yàn)方法

1.1 "EfficientNet基礎(chǔ)模型

本研究是以EfficientNetB0為主干模型[16]，由谷歌研究團(tuán)隊(duì)于2019年宣布的一種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在實(shí)現(xiàn)有限計(jì)算資源下的圖像識(shí)別任務(wù)。EfficientNet網(wǎng)絡(luò)的設(shè)計(jì)原則主要是基于三個(gè)主要組件：第一個(gè)組件是寬度縮放，在模型中的每一層加入卷積濾波器，使得特征圖片的維度相應(yīng)的增加；第二個(gè)組件是深度縮放，在網(wǎng)絡(luò)中的每一層加入卷積模塊，使特征圖片更加抽象；第三個(gè)組件是分辨率縮放，通過增加輸入圖片的分辨率讓模型的分辨率提高。

這三個(gè)因素之間相輔相成、相互依賴，EfficientNet架構(gòu)基于這三個(gè)縮放因素，復(fù)合縮放公式如下所示：

[ " " " " "depth： d=αφ " " " " "width： w=βφ " " " " "resolution： r=γφs.t. " "αβ2γ2≈2 " " " " "α≥1， β≥1，γ≥1] （1）

式中：[φ]表示復(fù)合縮放系數(shù)；[α]、[β]、[γ]表示相應(yīng)的縮放基數(shù)；[d]為深度；[w]為寬度；[r]為分辨率。研究發(fā)現(xiàn)，在約束條件下，調(diào)整[φ]的取值就可以得到EfficientNetB0～B7，由于B0是第一個(gè)提出的標(biāo)準(zhǔn)模型，與其他模型相比具有最少的參數(shù)，運(yùn)行速度也比較快，因此這些研究都使用EfficientNetB0作為主干網(wǎng)絡(luò)模型，其結(jié)構(gòu)圖如圖1所示。

MBConv模塊是EfficientNetB0網(wǎng)絡(luò)的核心部分。首先把特征圖進(jìn)行逐點(diǎn)卷積操作，接著依據(jù)擴(kuò)展比更改輸出的通道大小，在逐深度卷積后面融入SENet（Squeeze?and?excitation Network），然后用逐點(diǎn)1×1卷積對通道維度進(jìn)行恢復(fù)，MBConv模塊中每個(gè)卷積之后都會(huì)進(jìn)行歸一化。

MBConv模塊中的SE網(wǎng)絡(luò)與注意力特征圖有關(guān)，先把輸入進(jìn)來的特征圖進(jìn)行適當(dāng)壓縮，把通道的維度全局平均池化，通過FC層獲得各通道維度的相關(guān)信息，再由激活函數(shù)Sigmoid獲取對應(yīng)的權(quán)重關(guān)系，MBConv和SE結(jié)構(gòu)如圖2所示。

1.2 "大核注意力機(jī)制

大核注意力（Large Kernal Attention， LKA）模型[17]吸收了卷積和自我注意的優(yōu)點(diǎn)，包括局部結(jié)構(gòu)信息、長程依賴性和適應(yīng)性；同時(shí)，避免了忽略在通道維度上的適應(yīng)性等缺點(diǎn)，大核注意力卷積可分為三個(gè)部分：深度卷積、深度擴(kuò)展卷積和1×1卷積，其模型如圖3所示。

大核注意力模型是把一個(gè)[K]×[K]卷積分解為一個(gè)[Kd]×[Kd]深度方向的膨脹卷積（[d]為其中膨脹率）、一個(gè)（[2d-1]）×（[2d-1]）深度卷積和1×1卷積，可以用少量的計(jì)算成本和參數(shù)捕捉關(guān)系，獲得長期關(guān)系之后，預(yù)估某一點(diǎn)的重要性，然后得到注意力特征圖，其中大核注意力模塊可以用公式（2）表示。

[Attention=Conv1×1DW?D?ConvDW?ConvFOutput=Attention?F] （2）

式中：[F]∈[RC×H×W]是輸入特征圖；Attention∈[RC×H×W]表示注意力圖；DW?D?Conv表示深度膨脹卷積；DW?Conv表示深度卷積。特征圖里面有表示每個(gè)特征重要性的值，元素的點(diǎn)乘用[?]進(jìn)行表示。

1.3 "高效通道注意力機(jī)制

高效通道注意力（ECA）在改善CNN網(wǎng)絡(luò)性能方面潛力巨大[18]。ECA機(jī)制旨在克服性能和復(fù)雜性之間的矛盾，它消除了原始SE模塊中的FC層，并在全局平均池化后通過1D卷積直接來學(xué)習(xí)。首先輸入特征圖進(jìn)行全局平均池化，然后執(zhí)行一維卷積操作，通過激活函數(shù)Sigmoid得到每個(gè)通道的權(quán)重，最后將[w]乘以原特征圖的相應(yīng)元素，獲得最后的特征圖，如公式（3）所示。

[ω=σC1DKy] （3）

式中C1D代表一維卷積，僅包括[K]個(gè)信息參數(shù)，這種捕獲跨通道信息交互的方法有效確保了模型的性能和效率。高效通道注意力（ECA）模型如圖4所示。

1.4 "Adam優(yōu)化算法

本研究對葡萄葉部病害識(shí)別模型進(jìn)行訓(xùn)練優(yōu)化采用的是Adam優(yōu)化算法[19]，能夠防止網(wǎng)絡(luò)模型在實(shí)驗(yàn)訓(xùn)練過程中陷入局部最優(yōu)，Adam算法的重要思想是結(jié)合動(dòng)量和自適應(yīng)學(xué)習(xí)率的概念，可以保持各個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率，然后使用指數(shù)衰減的移動(dòng)平均來估計(jì)各個(gè)參數(shù)的均值和方差，具體如公式（4）所示：

[gt=?θJθt-1mt=β1mt-1+1-β1gtυt=β2υt-1+1-β2g2tυt=υt1-βt2m=mt1-βt1θt=θt-1-αmtυt+ε] （4）

式中：[gt]是[t]時(shí)刻的梯度；[mt]是梯度的一階矩估計(jì)；[υt]是梯度的二階矩估計(jì)；[υt]是[υt]的偏置矯正；[mt]是[mt]的偏置矯正；[β1]和[β2]是指數(shù)的衰減率；[θ]是要求解參數(shù)。

1.5 "模型性能評(píng)價(jià)指標(biāo)

為了更加全面地衡量模型的識(shí)別性能，采用分類模型中常用的準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、綜合評(píng)價(jià)指標(biāo)（[F1]分?jǐn)?shù)）一起作為模型的評(píng)價(jià)指標(biāo)?；煜仃囀怯糜趨R總分類結(jié)果的表格，其中包含了4個(gè)重要的統(tǒng)計(jì)量：TP（True Positive）代表本來是正類別并且被預(yù)測為正類別的樣本數(shù)；FP（False Positive）實(shí)際上是一個(gè)負(fù)類別，但被模型錯(cuò)誤地預(yù)測為正類別的樣本數(shù)；FN（False Negative）實(shí)際上是一個(gè)正類別，但被模型錯(cuò)誤地預(yù)測為負(fù)類別的樣本數(shù)；TN（True Negative）是本來為負(fù)類別，模型正確預(yù)測為負(fù)類別的樣本數(shù)。

準(zhǔn)確率、精確率、召回率、[F1]分?jǐn)?shù)的計(jì)算方法如公式（5）所示：

[Accuracy=TP+TNTN+FN+TP+FPPrecision=TPTP+FPRecall=TPTP+FNFβ=（1+β2）Precision×Recallβ2×Precision+Recall] （5）

式中，[β]的作用是調(diào)整精確度、召回率的[ω]權(quán)重，屬于正數(shù)，當(dāng)[β]為1時(shí)是[F1]分?jǐn)?shù)，Presicion以及Recall的[ω]權(quán)值一樣。

1.6 "改進(jìn)的EfficientNetB0模型

本研究旨在增強(qiáng)EfficientNetB0模型特征提取能力，提高模型的病害識(shí)別準(zhǔn)確率，改善葡萄葉部病害信息提取困難的情況。因此，基于EfficientNetB0模型，提出三個(gè)主要?jiǎng)?chuàng)新點(diǎn)。

1） 提出LE?EfficientNet網(wǎng)絡(luò)，該網(wǎng)絡(luò)采用LKA機(jī)制替換部分MBConv里面的SENet模塊，因?yàn)長KA結(jié)合了卷積運(yùn)算的局部感受野、旋轉(zhuǎn)不變性和自注意力機(jī)制的長距離信息，避免了忽略通道維度上的適應(yīng)性等缺點(diǎn)；

2） 利用跳躍連接（Skip Connection）在特征提取的最后一層卷積層后面融入ECA機(jī)制，來獲取葡萄葉部的特征圖，結(jié)合三種注意力機(jī)制讓網(wǎng)絡(luò)更高效地提取葡萄葉部病害的局部重要信息，適當(dāng)?shù)耐ǖ澜换タ梢源蟠蠼档湍Ｐ偷膹?fù)雜性，同時(shí)保持良好性能，使網(wǎng)絡(luò)更加關(guān)注感興趣的部分，如葡萄葉部病害相關(guān)區(qū)域，減小復(fù)雜背景對其的影響，并獲得ECA通道注意力增強(qiáng)的特征圖；

3） 調(diào)整主干網(wǎng)絡(luò)模型參數(shù)，并利用Adam優(yōu)化器替換原模型的SGD優(yōu)化器，提升了分類模型的泛化能力。

改進(jìn)后的MBConv和ECA模型結(jié)構(gòu)如圖5所示。

本研究改進(jìn)的輕量化網(wǎng)絡(luò)LE?EfficientNet模型結(jié)構(gòu)如圖6所示。將葡萄葉部病害圖像經(jīng)過預(yù)處理，把圖像輸入到模型中，最開始通過Conv升維，獲得病害特征圖，接著通過改進(jìn)的MBConv模塊，將原MBConv的第3、5、11、13、15個(gè)模塊換成了LKA模塊，通過Conv獲得病害特征圖，將輸出圖跳躍連接通過ECA機(jī)制，讓其能夠更好地提取病害葉片上的信息，最后通過全局平均池化和FC層對病害葉片進(jìn)行分類操作。

2 "實(shí)驗(yàn)準(zhǔn)備

本研究所用的葡萄葉部病害圖像數(shù)據(jù)集來源是PlantVillage[20]公開數(shù)據(jù)集，該數(shù)據(jù)集是由相關(guān)專業(yè)人士拍攝整理出的，常用于農(nóng)作物病害及植物病害的相關(guān)研究。本研究實(shí)驗(yàn)樣本選取的是該數(shù)據(jù)集中3類葡萄病害葉片和健康葉片，一共4個(gè)類別，分別是黑腐病、埃斯卡病、褐斑病、健康，其中PlantVillage數(shù)據(jù)集的樣本圖像具體如圖7所示。

數(shù)據(jù)集中不平衡的數(shù)據(jù)會(huì)對深度學(xué)習(xí)模型的識(shí)別效果產(chǎn)生一定干擾[21]，為了減少過擬合，提高模型的泛化能力，本文對原圖像進(jìn)行旋轉(zhuǎn)、調(diào)整亮度、高斯噪聲、水平鏡像等預(yù)處理。以葡萄葉部褐斑病類為例，效果展示如圖8所示。將預(yù)處理后的數(shù)據(jù)集按照7∶2∶1的比例劃分為訓(xùn)練集、驗(yàn)證集、測試集，具體分類樣本信息詳見表1。

3 "結(jié)果與分析

本研究采用操作系統(tǒng)Ubuntu 18.04，CPU型號(hào)為12 V CPU Intel[?] Xeon[?] Platinum 8255C CPU@2.50 GHz，GPU型號(hào)為RTX 3080（10 GB）*1，內(nèi)存40 GB，使用的是Python 3.8環(huán)境，深度學(xué)習(xí)框架Pytorch 1.7.0，CUDA版本11.0來實(shí)現(xiàn)網(wǎng)絡(luò)搭建與模型訓(xùn)練。

3.1 "改進(jìn)的模型性能分析

LE?EfficientNet模型在葡萄葉部病害識(shí)別的效果可以通過混淆矩陣來體現(xiàn)，[x]軸表示的是各類病害的預(yù)測標(biāo)簽，[y]軸代表各類病害的真實(shí)標(biāo)簽，測試的結(jié)果如圖9a）所示。其中，顏色最深的對角線部分是各個(gè)類別被準(zhǔn)確識(shí)別的樣本數(shù)目，顏色越深、對角線上數(shù)量越大，則表示改進(jìn)模型的識(shí)別準(zhǔn)確率就越高。圖9b）是改進(jìn)的模型在4類葡萄葉部病害在測試數(shù)據(jù)上的準(zhǔn)確率柱狀圖。

由此可知，改進(jìn)后的LE?EfficientNet模型在葡萄葉部病害分類測試集上的表現(xiàn)良好，模型的改進(jìn)方法是有效的。

3.2 "Adam優(yōu)化算法性能分析

由表2對比實(shí)驗(yàn)可見，選用Adam優(yōu)化算法對模型進(jìn)行優(yōu)化的效果優(yōu)于原網(wǎng)絡(luò)中使用的SGD優(yōu)化算法，使模型準(zhǔn)確率提升了7.94%，總體精確率提升了7.47%，召回率提升了7.56%，[F1]分?jǐn)?shù)提升了7.6%，通過上述對比，表明了本文選用的優(yōu)化算法是有效的。

3.3 "各經(jīng)典模型的識(shí)別性能分析

針對本文所提的雙重注意力LE?EfficientNet模型，為了驗(yàn)證其在葡萄葉部病害識(shí)別上的有效性，另選取基礎(chǔ)網(wǎng)絡(luò)EfficientNetB0、VGG?16、InceptionV1、MobileNetV1、MobileNetV2、MobileNetV3[22]在同一數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后與本文所建立方法進(jìn)行比較，為了讓各模型的對比結(jié)果更加直觀，呈現(xiàn)了各模型在訓(xùn)練過程中的損失曲線以及識(shí)別準(zhǔn)確率曲線，如圖10所示。

根據(jù)準(zhǔn)確率與損失率曲線圖可知，對比所有模型在訓(xùn)練中準(zhǔn)確率均呈穩(wěn)定上升的趨勢，可以看出改進(jìn)的LE?EfficientNet模型識(shí)別準(zhǔn)確率均比其他網(wǎng)絡(luò)模型效果要好。由此可知，本文所提的LE?EfficientNet模型在葡萄病害葉片數(shù)據(jù)集上具有更高的識(shí)別準(zhǔn)確率優(yōu)勢。各模型驗(yàn)證損失及準(zhǔn)確率如表3所示。

LE?EfficientNet模型與上述6種模型在測試集上的性能對比如表4所示。改進(jìn)的模型與EfficientNetB0、VGG?16、InceptionV1、MobileNetV1、MobileNetV2、MobileNetV3相比，準(zhǔn)確率分別提高1.58%、1.16%、1.79%、0.35%、0.65%、0.4%，召回率分別提高1.46%、0.97%、1.75%、0.39%、0.56%、0.36%。其中，LE?EfficientNet模型的準(zhǔn)確率、精確率、召回率、[F1]分?jǐn)?shù)均達(dá)到99.4%以上，綜合說明該模型性能優(yōu)良，具備有效性。

3.4 "消融實(shí)驗(yàn)

消融實(shí)驗(yàn)（Ablation Study）是深度學(xué)習(xí)研究中的一種重要實(shí)驗(yàn)方法，用于評(píng)估模型的組件對整體性能的貢獻(xiàn)，在消融實(shí)驗(yàn)中，逐步剔除了模型中的新組件，并重新訓(xùn)練了模型。實(shí)驗(yàn)結(jié)果表明，這些新組件對模型的性能改進(jìn)起到了至關(guān)重要的作用，在EfficientNetB0模型上分別引入LKA模塊和ECA模塊，準(zhǔn)確率、精確率、召回率、[F1]分?jǐn)?shù)均比原模型高，但是沒有LE?EfficientNet模型效果好，當(dāng)把LKA模塊和ECA模塊一起融合后，模型效果得到最好體現(xiàn)，表明這兩個(gè)模塊缺一不可，驗(yàn)證了所提出創(chuàng)新點(diǎn)的有效性，具體如表5所示。

4 "結(jié) "論

本文針對目前葡萄葉部病害識(shí)別準(zhǔn)確率不高，葡萄葉部病害信息提取困難的情況，提出了一種雙重注意力機(jī)制LE?EfficientNet模型。改進(jìn)的模型以EfficientNetB0為主干網(wǎng)絡(luò)，采用LKA機(jī)制替換部分MBConv模塊里面的SENet，通過跳躍連接在特征提取的最后一層卷積層后面融入ECA機(jī)制，調(diào)整主干網(wǎng)絡(luò)模型參數(shù)，利用Adam優(yōu)化算法進(jìn)行訓(xùn)練，取得了不錯(cuò)的識(shí)別效果。改進(jìn)后的模型能夠更有效地提取葡萄葉部病害信息，特征學(xué)習(xí)能力有所增強(qiáng)，其識(shí)別準(zhǔn)確率達(dá)到了99.43%，相比于原EfficientNetB0模型[17]準(zhǔn)確率提升了1.58%，并且參數(shù)量僅有10.18 MB，比原模型參數(shù)量低2.7 MB；改進(jìn)的模型與VGG?16、InceptionV1、MobileNetV1、MobileNetV2、MobileNetV3經(jīng)典網(wǎng)絡(luò)模型相比，準(zhǔn)確率分別提高1.16%、1.79%、0.35%、0.65%、0.4%，均有不同程度的提升。本文在保證參數(shù)量小的同時(shí)也能兼顧較高的準(zhǔn)確率，平衡二者關(guān)系，為農(nóng)作物葉部病害識(shí)別、診斷提供新的參考與借鑒。

此外，本文仍有一些潛在的改進(jìn)方向值得進(jìn)一步探索，可以進(jìn)一步優(yōu)化大核注意力機(jī)制的設(shè)計(jì)，探索更加高效的MBConv模塊結(jié)構(gòu)，或者將改進(jìn)模型更好地應(yīng)用于某些特定的任務(wù)場景。

注：本文通訊作者為邱林。

參考文獻(xiàn)

[1] 史夢雅，孫海艷，李榮德，等.我國葡萄品種登記現(xiàn)狀及種業(yè)發(fā)展情況分析[J].中國果樹，2021（10）：88?91.

[2] 白津菁.我國葡萄種植對產(chǎn)地經(jīng)濟(jì)發(fā)展的影響[J].農(nóng)村經(jīng)濟(jì)與科技，2023，34（1）：69?71.

[3] 李小紅，李運(yùn)景，馬曉青，等.我國葡萄產(chǎn)業(yè)發(fā)展現(xiàn)狀與展望[J].中國南方果樹，2021，50（5）：161?166.

[4] XU Z P， LI J H， YANG Z P， et al. SwinOCSR： End?to?end optical chemical structure recognition using a Swin Transformer [J]. Journal of cheminformatics， 2022， 14（1）： 41.

[5] JOSHUA S， KYLE M， ROBERT A， et al. Deep neural networks for recognition and transcription of chemical structure images [J]. Abstracts of papers of the American Chemical Society， 2018， 256： 80.

[6] 周濤，霍兵強(qiáng)，陸惠玲，等.融合多尺度圖像的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤識(shí)別算法[J].光學(xué)精密工程，2021，29（7）：1695?1708.

[7] LIANG Z H， CHEN J J， XU Z P， et al. A pattern?based method for medical entity recognition from Chinese diagnostic imaging text [J]. Frontiers in artificial intelligence， 2019， 2： 1.

[8] 楊秋玉，王棟，阮江軍，等.基于振動(dòng)信號(hào)的斷路器機(jī)械零部件故障程度識(shí)別[J].電工技術(shù)學(xué)報(bào)，2021，36（13）：2880?2892.

[9] 赫大雨，王強(qiáng).基于HRFDE和GSA?PNN的旋轉(zhuǎn)機(jī)械故障識(shí)別模型[J].機(jī)電工程，2023，40（12）：1869?1879.

[10] 王興旺，鄭漢垣，王素青.基于CSJMM?AS?GAC的馬陸葡萄病蟲害識(shí)別研究[J].河南農(nóng)業(yè)科學(xué)，2022，51（6）：154?163.

[11] 何前，郭峰林，王哲豪，等.基于改進(jìn)AlexNet的葡萄葉部病害分類算法[J].揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，26（2）：52?58.

[12] 雷建云，葉莎，夏夢，等.基于改進(jìn)YOLOv4的葡萄葉片病害檢測[J].中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（6）：712?719.

[13] LIN J W， CHEN X Y L， PAN R Y， et al. GrapeNet： A lightweight convolutional neural network model for identification of grape leaf diseases [J]. Agriculture， 2022， 12（6）： 887.

[14] 王煥鑫，沈志豪，劉泉，等.基于改進(jìn)MobileNetV2模型的農(nóng)作物葉片病害識(shí)別研究[J].河南農(nóng)業(yè)科學(xué)，2023，52（4）：143?151.

[15] 武魁，高丙朋.改進(jìn)EfficientNetV2的玉米病蟲害識(shí)別與分級(jí)研究[J].現(xiàn)代電子技術(shù)，2023，46（14）：68?74.

[16] TAN M X， LE Q V. EfficientNet： Rethinking model scaling for convolutional neural networks [C]// Proceedings of the 36th International Conference on Machine Learning. New York： PMLR， 2019： 6105?6114.

[17] GUO M H， LU C Z， LIU Z N， et al. Visual attention network [J]. Computational visual media， 2022， 9（4）： 733?752.

[18] WANG Q L， WU B G， ZHU P F， et al. ECA?Net： Efficient channel attention for deep convolutional neural networks [C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE， 2020： 11531?11539.

[19] KINGMA D P， BA J. ADAM： A method for stochastic optimization [C]// 3rd International Conference on Learning Representations. [S.l.： s.n.]， 2015： 1?15.

[20] MOHAMETH F， CHEN B， SADA K A. Plant disease detection with deep learning and feature extraction using plant village [J]. Journal of computer and communications， 2020（6）： 10?22.

[21] BUDA M， MAKI A， MAZUROWSKI M A. A systematic study of the class imbalance problem in convolutional neural networks [J]. Neural networks， 2018， 106： 249?259.

[22] ZHU F， LIU C， YANG J W， et al. An improved MobileNet network with wavelet energy and global average pooling for rotating machinery fault diagnosis [J]. Sensors （Basel， Switzerland）， 2022， 22（12）： 4427.

作者簡介：胡施威（1999—），男，湖北天門人，在讀碩士研究生，研究方向?yàn)槿斯ぶ悄?、深度學(xué)習(xí)、計(jì)算機(jī)視覺技術(shù)應(yīng)用與植物保護(hù)等。

邱 "林（1980—），男，湖北荊州人，博士，講師，主要研究方向?yàn)樯疃葘W(xué)習(xí)、數(shù)據(jù)挖掘、圖像處理和分析等。