基于改進EfficientNetV2的蘋果葉片病害識別模型

摘要：斑點落葉病、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，嚴重影響蘋果產量。針對實際生產中葉片病害識別準確率不高以及現有模型參數量大難以遷移到移動設備的問題，本研究基于EfricientNetV2-b0模型，經過改進后提出了輕量級的ECV2-CA網絡。該網絡在保留EfflCientNetV2-b0主干網絡的基礎上，一是引入ChostNeLV2網絡中的核心Chost Module，并選用original分支替換第一層卷積結構，可以進一步優化網絡的計算效率，減少冗余計算，從而在提高模型速度和可移植性的同時保持較高的識別準確率；二是將EfricientnletV2-b0模型中Fused-MBConv模塊的SE注意力機制替換為更高教的坐標注意力（CA）機制，通過將空間信息編碼為坐標信息以更好地捕捉和表達空間上的細粒度特征。實驗結果顯示，相較于原始網絡，ECV2-CA網絡的識別精確率提高2.94個百分點，召回率提高2.53個百分點，F1得分提高2.67個百分點，Top-1準確率提高2.47個百分點，而參數量僅為48.9M，可遷移至移動設備上使用，為真實場景下蘋果葉片病害的快速、準確識別提供了一種有效的解決方案。

關鍵詞：蘋果葉片病害；輕量級網絡；深度學習算法；EflicientNetV2；Chost模塊；坐標注意力機制

中圖分類號：S126：S661.1 文獻標識號：A 文章編號：1001-4942（2024）09-0124-09

蘋果產業是我國農業經濟的重要組成部分，我國在全球蘋果市場中占據主導地位，2022年度蘋果產量穩居世界第一，蘋果種植和出口對我國經濟發展具有重要影響。斑點落葉病、褐斑病、灰斑病、花葉病和銹病是蘋果葉片上最常見的病害，嚴重影響蘋果的質量和產量，及時發現并防治可以有效減少由此造成的經濟損失。但傳統的病害識別主要是由相關領域專家通過肉眼檢測，不僅耗時費力，而且病害特征不明顯時易誤判，導致識別準確率不高。近年來計算機視覺和機器學習技術快速發展，很多基于深度學習的算法被開發并應用于多種檢測領域，例如用于臨床疾病檢測、化學信息預測、機械故障檢測等，都取得了顯著成效，在植物病害識別上也顯示出巨大的潛力。

Thangaraj等基于遷移學習的卷積神經網絡（CNN）來識別番茄葉片病害，實驗證明用自適應矩估計（Adam）優化器的準確率要優于隨機梯度下降（SGD）和RMSprop優化器。Mahmoud等利用偽逆向學習自編碼器（PILAE）去訓練深度卷積生成對抗網絡（DCGAN）和多層感知器（MLP）神經網絡識別的分類器，并用于識別不同植物的185種病害，準確率可達到97.86％。溫釗發等采用ShuffleNetV2_0.5作為基礎網絡骨架，引入ECA注意力機制，使用余弦退火衰減策略動態調整學習率，在玉米和蘋果葉部病害數據集上識別準確率達到95.21％。Qi等基于MobileNetV3作出改進，用于識別馬鈴薯的早疫病和晚疫病，準確率達到94.02％。陳浪浪等以DenseNet21為基礎網絡，融合遷移學習和坐標注意力機制進行改進，對水稻病蟲害的識別準確率達到98.95％。李榮鵬等采用MobileNet-V2作為基礎網絡骨架，在倒殘差結構中添加坐標注意力機制，使模型的平均識別準確率達到96.97％。張龔等在ResNet50網絡模型的基礎上進行預訓練，并引入焦點損失函數和Dropout正則化，構建的改進ResNet50模型對棉葉螨危害等級的平均識別準確率達到97.8％。

深度學習算法在蘋果葉片病害檢測方面的應用研究也取得了一定的進展，例如Jiang等通過引入GoogLeNet Inception結構和Rainbow串聯，提出了一種新的基于深度CNN的蘋果葉病檢測模型，平均精度均值（mAP）可達78.80％，檢測速度高達23.13 FPS；Luo等在ResNet網絡基礎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，原始數據集的分類準確率可達到94.24％：李鑫然等提出一種融合特征金字塔網絡和精確感興趣區域池化的Faster R-CNN模型對多種蘋果葉片病害進行識別，mAP達82.48％：陳聰等通過在基準模型ResNet-50的基礎上加入通道注意力機制和并行卷積進行改進，提出了REP-ResNet模型，準確率提高2.41個百分點。但這些模型通常參數量大，限制了它們在移動設備上的應用。

本研究在輕量級網絡EmcientNetV2-b0的基礎上，引入Ghost Module的original分支替換第一層卷積結構，再將SE注意力機制替換為更高效的CA注意力機制，提出蘋果葉片病害識別模型EGV2-CA，該模型可在保持較小體積的同時實現較高的識別準確率，易于移動設備搭載，便于非專業人士通過移動設備實時識別蘋果葉片病害。

1材料與方法

1.1數據集

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