基于改進(jìn)EfficientNetV2的蘋果葉片病害識(shí)別模型

摘要：斑點(diǎn)落葉病、褐斑病、灰斑病、花葉病和銹病是常見的5種蘋果樹葉部病害，嚴(yán)重影響蘋果產(chǎn)量。針對(duì)實(shí)際生產(chǎn)中葉片病害識(shí)別準(zhǔn)確率不高以及現(xiàn)有模型參數(shù)量大難以遷移到移動(dòng)設(shè)備的問(wèn)題，本研究基于EfricientNetV2-b0模型，經(jīng)過(guò)改進(jìn)后提出了輕量級(jí)的ECV2-CA網(wǎng)絡(luò)。該網(wǎng)絡(luò)在保留EfflCientNetV2-b0主干網(wǎng)絡(luò)的基礎(chǔ)上，一是引入ChostNeLV2網(wǎng)絡(luò)中的核心Chost Module，并選用original分支替換第一層卷積結(jié)構(gòu)，可以進(jìn)一步優(yōu)化網(wǎng)絡(luò)的計(jì)算效率，減少冗余計(jì)算，從而在提高模型速度和可移植性的同時(shí)保持較高的識(shí)別準(zhǔn)確率；二是將EfricientnletV2-b0模型中Fused-MBConv模塊的SE注意力機(jī)制替換為更高教的坐標(biāo)注意力（CA）機(jī)制，通過(guò)將空間信息編碼為坐標(biāo)信息以更好地捕捉和表達(dá)空間上的細(xì)粒度特征。實(shí)驗(yàn)結(jié)果顯示，相較于原始網(wǎng)絡(luò)，ECV2-CA網(wǎng)絡(luò)的識(shí)別精確率提高2.94個(gè)百分點(diǎn)，召回率提高2.53個(gè)百分點(diǎn)，F(xiàn)1得分提高2.67個(gè)百分點(diǎn)，Top-1準(zhǔn)確率提高2.47個(gè)百分點(diǎn)，而參數(shù)量?jī)H為48.9M，可遷移至移動(dòng)設(shè)備上使用，為真實(shí)場(chǎng)景下蘋果葉片病害的快速、準(zhǔn)確識(shí)別提供了一種有效的解決方案。

關(guān)鍵詞：蘋果葉片病害；輕量級(jí)網(wǎng)絡(luò)；深度學(xué)習(xí)算法；EflicientNetV2；Chost模塊；坐標(biāo)注意力機(jī)制

中圖分類號(hào)：S126：S661.1 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024）09-0124-09

蘋果產(chǎn)業(yè)是我國(guó)農(nóng)業(yè)經(jīng)濟(jì)的重要組成部分，我國(guó)在全球蘋果市場(chǎng)中占據(jù)主導(dǎo)地位，2022年度蘋果產(chǎn)量穩(wěn)居世界第一，蘋果種植和出口對(duì)我國(guó)經(jīng)濟(jì)發(fā)展具有重要影響。斑點(diǎn)落葉病、褐斑病、灰斑病、花葉病和銹病是蘋果葉片上最常見的病害，嚴(yán)重影響蘋果的質(zhì)量和產(chǎn)量，及時(shí)發(fā)現(xiàn)并防治可以有效減少由此造成的經(jīng)濟(jì)損失。但傳統(tǒng)的病害識(shí)別主要是由相關(guān)領(lǐng)域?qū)＜彝ㄟ^(guò)肉眼檢測(cè)，不僅耗時(shí)費(fèi)力，而且病害特征不明顯時(shí)易誤判，導(dǎo)致識(shí)別準(zhǔn)確率不高。近年來(lái)計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)快速發(fā)展，很多基于深度學(xué)習(xí)的算法被開發(fā)并應(yīng)用于多種檢測(cè)領(lǐng)域，例如用于臨床疾病檢測(cè)、化學(xué)信息預(yù)測(cè)、機(jī)械故障檢測(cè)等，都取得了顯著成效，在植物病害識(shí)別上也顯示出巨大的潛力。

Thangaraj等基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)識(shí)別番茄葉片病害，實(shí)驗(yàn)證明用自適應(yīng)矩估計(jì)（Adam）優(yōu)化器的準(zhǔn)確率要優(yōu)于隨機(jī)梯度下降（SGD）和RMSprop優(yōu)化器。Mahmoud等利用偽逆向?qū)W習(xí)自編碼器（PILAE）去訓(xùn)練深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN）和多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)識(shí)別的分類器，并用于識(shí)別不同植物的185種病害，準(zhǔn)確率可達(dá)到97.86％。溫釗發(fā)等采用ShuffleNetV2_0.5作為基礎(chǔ)網(wǎng)絡(luò)骨架，引入ECA注意力機(jī)制，使用余弦退火衰減策略動(dòng)態(tài)調(diào)整學(xué)習(xí)率，在玉米和蘋果葉部病害數(shù)據(jù)集上識(shí)別準(zhǔn)確率達(dá)到95.21％。Qi等基于MobileNetV3作出改進(jìn)，用于識(shí)別馬鈴薯的早疫病和晚疫病，準(zhǔn)確率達(dá)到94.02％。陳浪浪等以DenseNet21為基礎(chǔ)網(wǎng)絡(luò)，融合遷移學(xué)習(xí)和坐標(biāo)注意力機(jī)制進(jìn)行改進(jìn)，對(duì)水稻病蟲害的識(shí)別準(zhǔn)確率達(dá)到98.95％。李榮鵬等采用MobileNet-V2作為基礎(chǔ)網(wǎng)絡(luò)骨架，在倒殘差結(jié)構(gòu)中添加坐標(biāo)注意力機(jī)制，使模型的平均識(shí)別準(zhǔn)確率達(dá)到96.97％。張龔等在ResNet50網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行預(yù)訓(xùn)練，并引入焦點(diǎn)損失函數(shù)和Dropout正則化，構(gòu)建的改進(jìn)ResNet50模型對(duì)棉葉螨危害等級(jí)的平均識(shí)別準(zhǔn)確率達(dá)到97.8％。

深度學(xué)習(xí)算法在蘋果葉片病害檢測(cè)方面的應(yīng)用研究也取得了一定的進(jìn)展，例如Jiang等通過(guò)引入GoogLeNet Inception結(jié)構(gòu)和Rainbow串聯(lián)，提出了一種新的基于深度CNN的蘋果葉病檢測(cè)模型，平均精度均值（mAP）可達(dá)78.80％，檢測(cè)速度高達(dá)23.13 FPS；Luo等在ResNet網(wǎng)絡(luò)基礎(chǔ)上改變批量歸一化和ReLU的位置，將ResBlocks中的3x3卷積替換為金字塔卷積，原始數(shù)據(jù)集的分類準(zhǔn)確率可達(dá)到94.24％：李鑫然等提出一種融合特征金字塔網(wǎng)絡(luò)和精確感興趣區(qū)域池化的Faster R-CNN模型對(duì)多種蘋果葉片病害進(jìn)行識(shí)別，mAP達(dá)82.48％：陳聰?shù)韧ㄟ^(guò)在基準(zhǔn)模型ResNet-50的基礎(chǔ)上加入通道注意力機(jī)制和并行卷積進(jìn)行改進(jìn)，提出了REP-ResNet模型，準(zhǔn)確率提高2.41個(gè)百分點(diǎn)。但這些模型通常參數(shù)量大，限制了它們?cè)谝苿?dòng)設(shè)備上的應(yīng)用。

本研究在輕量級(jí)網(wǎng)絡(luò)EmcientNetV2-b0的基礎(chǔ)上，引入Ghost Module的original分支替換第一層卷積結(jié)構(gòu)，再將SE注意力機(jī)制替換為更高效的CA注意力機(jī)制，提出蘋果葉片病害識(shí)別模型EGV2-CA，該模型可在保持較小體積的同時(shí)實(shí)現(xiàn)較高的識(shí)別準(zhǔn)確率，易于移動(dòng)設(shè)備搭載，便于非專業(yè)人士通過(guò)移動(dòng)設(shè)備實(shí)時(shí)識(shí)別蘋果葉片病害。

1材料與方法

1.1數(shù)據(jù)集

本研究所使用的蘋果葉片病害數(shù)據(jù)集由西北農(nóng)林科技大學(xué)制作，圖像分別采自該校位于陜西省渭南市的白水蘋果試驗(yàn)站、陜西省延安市的洛川蘋果試驗(yàn)站和甘肅省慶陽(yáng)市的慶城蘋果試驗(yàn)站。為了確保數(shù)據(jù)集的豐富性和實(shí)用性，大部分圖像在晴朗天氣光照良好條件下獲取，同時(shí)也在陰雨天氣采集部分圖像。該數(shù)據(jù)集包含蘋果樹生長(zhǎng)期間常見的5種葉部病害：斑點(diǎn)落葉病、褐斑病、灰斑病、花葉病和銹病。病害圖像示例見圖1。