帖 軍，隆娟娟，鄭 祿，牛 悅，宋衍霖

(1.中南民族大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，湖北 武漢 430074; 2.湖北省制造企業(yè)智能管理工程技術(shù)研究中心，湖北 武漢 430074)

番茄是蔬菜的重要品種，消費(fèi)量巨大，但番茄葉片病害的種類(lèi)繁多，會(huì)降低番茄的產(chǎn)量和質(zhì)量，給種植者帶來(lái)巨大經(jīng)濟(jì)損失[1-2]。傳統(tǒng)番茄病害防治主要依靠專(zhuān)業(yè)農(nóng)業(yè)植保技術(shù)人員或經(jīng)驗(yàn)豐富的番茄種植人員，通過(guò)人工診斷病害種類(lèi)，具有較強(qiáng)的主觀性，且耗時(shí)耗力。因此需要一種準(zhǔn)確、快速且高效的方法來(lái)自動(dòng)識(shí)別番茄病害，從而滿(mǎn)足番茄的現(xiàn)代化種植需求[3]。

隨著機(jī)器學(xué)習(xí)在農(nóng)業(yè)領(lǐng)域的應(yīng)用，科研工作者針對(duì)番茄葉片病害識(shí)別進(jìn)行了深入研究[4]。Xie等[5]在番茄早疫病的研究中利用番茄圖像紋理特征，取得88.46%的準(zhǔn)確率；柴阿麗等[6]采用逐步判別與貝葉斯判別結(jié)合的方法實(shí)現(xiàn)特征參數(shù)的選擇，并利用主成分分析與費(fèi)歇爾判別結(jié)合的方法構(gòu)建識(shí)別模型，識(shí)別率為98.32%；劉君等[7]融合CNN多卷積特征與HOG算法，將CNN抽取番茄葉部病害的淺層特征與抽取的HOG特征合并，并利用SVM分類(lèi)器對(duì)6種病害番茄和健康番茄進(jìn)行分類(lèi)，識(shí)別率為92.49%。番茄葉片病害的機(jī)器識(shí)別方法通常是手動(dòng)標(biāo)記番茄病害特征，但不同病害特征在不同場(chǎng)景下表現(xiàn)不一，同種病害在不同發(fā)病階段表現(xiàn)的病癥差異明顯，以及受光照和復(fù)雜背景等噪聲干擾，使得特征提取十分困難。

相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法，基于深度學(xué)習(xí)的病害識(shí)別方法沒(méi)有復(fù)雜的圖像預(yù)處理和特征提取操作，而是通過(guò)引入卷積層、池化層、全連接層等操作，自動(dòng)提取圖像特征，并在現(xiàn)有研究中取得一定進(jìn)展[8]。Thangaraj等[9]通過(guò)分析現(xiàn)有應(yīng)用于番茄病害識(shí)別任務(wù)的傳統(tǒng)圖像處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，總結(jié)發(fā)現(xiàn)深度學(xué)習(xí)方法在性能表現(xiàn)上要優(yōu)于傳統(tǒng)圖像處理和機(jī)器學(xué)習(xí)方法；Jia等[10]采用VGG16提取圖像特征，并結(jié)合SVM分類(lèi)器檢測(cè)番茄葉片，平均識(shí)別準(zhǔn)確率為89%；Tm等[11]采用簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)LeNet對(duì)10種番茄病害進(jìn)行識(shí)別，平均識(shí)別準(zhǔn)確率為95%；Kaur等[12]提出基于DAG-ResNet模型，并采用ECOC對(duì)PlantVillage數(shù)據(jù)集的7種番茄病害進(jìn)行分類(lèi)，取得了98.8%的準(zhǔn)確率；Gonzalez-Huitron等[13]對(duì)4種輕量級(jí)模型結(jié)合遷移學(xué)習(xí)在Plantvillage數(shù)據(jù)集上進(jìn)行訓(xùn)練分析，在性能上取得不錯(cuò)的效果，并開(kāi)發(fā)可應(yīng)用于PC、Raspberry Pi 4或移動(dòng)端的GUI設(shè)備；郭小清等[14]針對(duì)番茄病害在不同發(fā)病階段表征不一的問(wèn)題，提出基于改進(jìn)AlexNet的識(shí)別模型，通過(guò)移除AlexNet局部響應(yīng)的歸一化層，修改其全連接層，并設(shè)置不同大小的卷積核增強(qiáng)病斑特征的提取能力，在PlantVillage數(shù)據(jù)集上平均識(shí)別率為92.7%;湯文亮等[15]基于條件卷積和通道注意力機(jī)制自定義模型，并利用知識(shí)蒸餾法進(jìn)行輕量化，在PlantVillage數(shù)據(jù)集上平均識(shí)別準(zhǔn)確率為97.7%；張寧等[16]采用InceptionV3結(jié)合多尺度卷積和注意力機(jī)制模塊，并結(jié)合遷移學(xué)習(xí)在PlantVillage數(shù)據(jù)集的5種番茄病害上平均識(shí)別準(zhǔn)確率為98.4%。以上研究證明將深度學(xué)習(xí)應(yīng)用于番茄葉片病害識(shí)別的可行性和有效性，但依舊存在一些不足，比如模型識(shí)別準(zhǔn)確率還有進(jìn)一步提升的空間，訓(xùn)練參數(shù)較多限制了模型部署與實(shí)際應(yīng)用等。

注意力機(jī)制是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的一個(gè)重要概念，它可以幫助網(wǎng)絡(luò)獲取興趣區(qū)域，減少對(duì)非重要信息的關(guān)注度，從而提高網(wǎng)絡(luò)識(shí)別效果[17-18]，目前在自然語(yǔ)言處理[19-20]與圖像分割[21]領(lǐng)域已取得較大進(jìn)展。Fu等[22]和Hu等[23]將注意力機(jī)制融合到VGG模型并應(yīng)用到圖像分類(lèi)任務(wù)中，取得不錯(cuò)的效果。本文將注意力機(jī)制應(yīng)用到番茄葉片病害識(shí)別，對(duì)輕量級(jí)網(wǎng)絡(luò)EfficientNet進(jìn)行改進(jìn)，引入SKNet替換SENet，SKNet是對(duì)SENet的進(jìn)一步改進(jìn)，可以根據(jù)輸入信息的多尺度自適應(yīng)調(diào)節(jié)感受野的大小，在提高番茄葉片病害圖像特征的提取能力的同時(shí)更有效地利用參數(shù)。

1 番茄葉片病害識(shí)別模型

1.1 EfficientNet網(wǎng)絡(luò)模型

模型擴(kuò)展是提高網(wǎng)絡(luò)效果的重要方法。ResNet[24]通過(guò)增加網(wǎng)絡(luò)層數(shù)將ResNet18擴(kuò)展到ResNet200，GPipe通過(guò)將卷積網(wǎng)絡(luò)的baseline擴(kuò)展4倍，在ImageNet上準(zhǔn)確率達(dá)84.3%。傳統(tǒng)的模型縮放通過(guò)增加網(wǎng)絡(luò)深度、寬度以及輸入圖像分辨率來(lái)進(jìn)行訓(xùn)練。這些方法雖然可以提高準(zhǔn)確性，但需要長(zhǎng)時(shí)間的手動(dòng)調(diào)優(yōu)，并會(huì)產(chǎn)生次優(yōu)性能。2019年，谷歌提出一種新的縮放模型EfficientNet[25]，通過(guò)設(shè)置復(fù)合縮放系數(shù)來(lái)平衡網(wǎng)絡(luò)的寬度、深度和分辨率，從而在擴(kuò)展網(wǎng)絡(luò)維度時(shí)可以獲得更好的模型性能。復(fù)合比例系數(shù)的計(jì)算如式(1)所示：

(1)

式中：d、w、r為縮放網(wǎng)絡(luò)的深度、寬度和分辨率；α、β、γ為對(duì)應(yīng)縮放基數(shù)；φ為復(fù)合縮放系數(shù)。在約束條件下，首先取φ=1，通過(guò)網(wǎng)格搜索可以確定α=1.2，β=1.1，γ=1.15，即基準(zhǔn)模型EfficientNet-B0。接著固定α、β、γ，對(duì)φ取不同的值實(shí)現(xiàn)基準(zhǔn)模型縮放，即可獲得EfficientNet-B1到B7。

1.2 SKNet網(wǎng)絡(luò)

在構(gòu)建傳統(tǒng)CNN時(shí)，一般在同一層只采用一種卷積核，對(duì)于特定任務(wù)特定模型，卷積核大小是確定的，每層網(wǎng)絡(luò)中神經(jīng)元的感受野大小是相同的，但忽略了多個(gè)卷積核的作用。Li等[26]在CVPR2019上提出選擇性卷積核機(jī)制SKNet，其采用一種非線性的方法融合來(lái)自不同核的特征，根據(jù)輸入的不同尺寸信息自適應(yīng)調(diào)整感受野大小，由3個(gè)操作組成：Split、Fuse和Select。Split操作生成具有各種卷積核大小的多個(gè)路徑；Fuse操作融合來(lái)自不同通道的信息，從而獲得一個(gè)全局及可理解性的表示用于進(jìn)行權(quán)重選擇；Select操作根據(jù)選擇圈子聚合不同大小的卷積核的特征映射。選擇性卷積核機(jī)制SKNet結(jié)構(gòu)如圖1所示。

圖1 選擇性卷積核機(jī)制結(jié)構(gòu)

1.3 基于SK-EfficientNet的識(shí)別模型

EfficientNet網(wǎng)絡(luò)利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索[27](neural architecture search，NAS)基準(zhǔn)模型EfficientNet-B0，并對(duì)網(wǎng)絡(luò)深度、寬度以及分辨率進(jìn)行復(fù)合縮放，對(duì)于ImageNet歷史上的各種網(wǎng)絡(luò)而言，EfficientNet在速度、精度上實(shí)現(xiàn)碾壓的效果。SKNet是針對(duì)卷積核的注意力機(jī)制研究，使用多分支卷積網(wǎng)絡(luò)[28]、組卷積[29]、空洞卷積[30]以及注意力機(jī)制，對(duì)不同圖像使用不同的卷積核權(quán)重，從而動(dòng)態(tài)調(diào)整感受野大小，相比SENet通道注意力機(jī)制具有更強(qiáng)的特征提取能力，也能夠更加有效地利用參數(shù)。受兩者特性啟發(fā)，本文提出基于SK-EfficientNet的識(shí)別模型，針對(duì)EfficientNet的核心模塊移動(dòng)翻轉(zhuǎn)瓶頸卷積(mobile inverted bottleneck convolution，MBConv)進(jìn)行改進(jìn)，MBConv模塊由普通卷積、深度可分離卷積(包含BN和Swish)、SE(squeeze-and-excitation)模塊、Droupout層構(gòu)成，如圖2所示。

圖2 原始MBConv模塊

本文將MBConv模塊中SENet替換為SKNet，在1×1卷積后分別進(jìn)行3×3深度可分離卷積和dilation為2的3×3空洞卷積，對(duì)輸入特征進(jìn)行不同卷積核大小的完整卷積操作，得到2個(gè)新的特征圖，接著，對(duì)兩者的輸出特征進(jìn)行求和融合，獲得全局特征，再通過(guò)全局平均池化來(lái)獲得全局信息Sc，如式(2)所示。

(2)

式中：Fgp表示全局平均池化；Uc表示Split融合后得到的新的特征圖；H×W為特征圖Uc的分辨率；i和j代表UC在H和W上不同的通道圖。

在全局平均池化層后通過(guò)2個(gè)全連接層得到不同卷積核所占權(quán)重比Z，如式(3)所示。

Z=Ffc(s)=δ(B(Ws))，

(3)

式中：δ表示ReLU函數(shù)；B表示批正則化處理BN；Ffc表示全連接層；Ws表示通道s的權(quán)重。

在通道方向進(jìn)行Softmax操作，回歸出通道和卷積核之間的權(quán)重信息，最后將Droupout失活函數(shù)得到的特征圖與原始特征圖進(jìn)行融合,形成最終的SK-MBConv模塊，如圖3所示。

圖3 改進(jìn)后SK-MBConv模塊

由此改進(jìn)后的SK-EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，由16個(gè)改進(jìn)SK-MBConv模塊、2個(gè)卷積層、1個(gè)全局平均池化層和1個(gè)全連接層構(gòu)成。圖中不同顏色代表了不同階段，首先利用3×3卷積核對(duì)輸入的224×224×3的圖像進(jìn)行升維操作，得到維度為112×112×32的特征圖，接著對(duì)特征圖進(jìn)行不同維度的SK-MBConv，當(dāng)出現(xiàn)相同的SK-MBConv時(shí)，進(jìn)行連接失活和輸入的跳躍連接；最后經(jīng)過(guò)1×1逐點(diǎn)卷積恢復(fù)原通道，并使用全連接層進(jìn)行分類(lèi)。

圖4 SK-EfficientNet識(shí)別模型

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

為確保訓(xùn)練的可靠性，本文采用十折交叉驗(yàn)證法進(jìn)行實(shí)驗(yàn)，將數(shù)據(jù)集隨機(jī)劃分10份，其中8份訓(xùn)練集、1份驗(yàn)證集以及1份測(cè)試集，循環(huán)10次。實(shí)驗(yàn)采用的系統(tǒng)平臺(tái)為64位CentOS，深度學(xué)習(xí)框架為Pytorch，編程語(yǔ)言為Python；計(jì)算機(jī)處理器Intel(R)Xeon(R)CPU E5-2630 v4@2.20 GHz，內(nèi)存64 GiB，硬盤(pán)1 TiB，并采用Tesla P40 GPU加速圖像處理。

在模型訓(xùn)練過(guò)程中，采用批量訓(xùn)練的方法將訓(xùn)練集與驗(yàn)證集分為多個(gè)批次(batch)，其中訓(xùn)練批次設(shè)置為16，驗(yàn)證批次為8，共迭代70輪。同時(shí)采用隨機(jī)梯度下降優(yōu)化算法(stochastic gradient descent，SGD)對(duì)模型進(jìn)行優(yōu)化，設(shè)置學(xué)習(xí)率為0.001，正則化系數(shù)為0.000 5，防止出現(xiàn)過(guò)擬合。

2.2 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

本文所用數(shù)據(jù)集來(lái)源于PlantVillage數(shù)據(jù)集和Dataset of Tomato Leaves數(shù)據(jù)集，其中PlantVillage數(shù)據(jù)集收錄了大量的植物病蟲(chóng)害圖像，本文選取番茄葉片圖像，共10個(gè)類(lèi)別，包含9種病害和健康葉片，共18 160張。Dataset of Tomato Leaves數(shù)據(jù)集為Mendeley Data中的自然場(chǎng)景番茄葉片圖像，由單葉片、多葉片、單背景和復(fù)雜背景組成，共6個(gè)類(lèi)別，5種病害和健康葉片，圖像總數(shù)622張。圖5和圖6分別給出了2個(gè)數(shù)據(jù)集的示例樣本。

圖5 PlantVillage番茄葉片病害示例

圖6 Dataset of Tomato Leaves番茄葉片病害示例

2.3 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

數(shù)據(jù)樣本分布不均勻和自然場(chǎng)景樣本過(guò)少會(huì)對(duì)模型的識(shí)別性能產(chǎn)生影響，故本文采用數(shù)據(jù)增強(qiáng)的方法對(duì)2.2節(jié)介紹的2類(lèi)數(shù)據(jù)樣本進(jìn)行擴(kuò)充，模擬真實(shí)農(nóng)業(yè)場(chǎng)景，以提高適應(yīng)性。采用的數(shù)據(jù)增強(qiáng)方法有：1)隨機(jī)裁剪，對(duì)圖像隨機(jī)選擇像素位置和方向進(jìn)行裁剪；2)旋轉(zhuǎn)，對(duì)圖像沿著順時(shí)針?lè)较螂S機(jī)旋轉(zhuǎn)90°、180°和270°；3)顏色增亮，通過(guò)更改色調(diào)(H)、飽和度(S)、亮度(V)，改變亮度V與飽和度S的分量，讓色調(diào)H保持不變，從而達(dá)到增亮的效果；4)高斯模糊添噪，在實(shí)際應(yīng)用中圖像的清晰度各不相同，通過(guò)給圖像添加高斯噪聲與椒鹽噪聲來(lái)模擬真實(shí)場(chǎng)景。2類(lèi)數(shù)據(jù)集部分病害增強(qiáng)預(yù)處理效果如圖7所示，最后把數(shù)據(jù)集圖像的大小設(shè)為256×256。經(jīng)過(guò)預(yù)處理以后，得到PlantVillage圖像樣本共31 117張，Dataset of Tomato Leaves圖像樣本共6 526張，作為最終實(shí)驗(yàn)的番茄病害樣本數(shù)據(jù)集，2類(lèi)數(shù)據(jù)集圖像增強(qiáng)前后對(duì)比如圖8所示。

圖7 數(shù)據(jù)增強(qiáng)預(yù)處理效果

圖8 數(shù)據(jù)增強(qiáng)前后對(duì)比

2.4 PlantVillage數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證改進(jìn)后EfficientNet模型性能優(yōu)勢(shì)，針對(duì)單一環(huán)境下的PlantVillage番茄葉片病害圖像數(shù)據(jù)集，訓(xùn)練多個(gè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，包括ResNet50、MobileNet、InceptionV3以及原始EfficientNet模型。評(píng)價(jià)參數(shù)采用平均識(shí)別準(zhǔn)確率、模型參數(shù)和單張識(shí)別時(shí)間，每個(gè)模型訓(xùn)練10次取其平均值，計(jì)算得到對(duì)比實(shí)驗(yàn)結(jié)果如表1所示，不同模型訓(xùn)練準(zhǔn)確率對(duì)比如圖9所示。改進(jìn)后模型的平均識(shí)別準(zhǔn)確率為99.64%，高于ResNet50、MobileNet和InceptionV3，相比原始EfficientNet模型提高0.23個(gè)百分點(diǎn)。改進(jìn)后模型參數(shù)僅需3.83 MiB，對(duì)內(nèi)存需求明顯低于ResNet50和InceptionV3，相比MobileNet和原始EfficientNet更加輕量化，體現(xiàn)出改進(jìn)后模型提高了番茄病害識(shí)別率，降低了模型參數(shù)內(nèi)存的需求。在時(shí)間消耗方面，改進(jìn)后EfficientNet模型測(cè)試單張圖片的平均耗時(shí)為1.08 s，優(yōu)于ResNet50、InceptionV3和原始EfficientNet模型，MobileNet雖然耗時(shí)稍低一些，但其平均識(shí)別準(zhǔn)確率比本文改進(jìn)的模型要低1.42個(gè)百分點(diǎn)。在番茄葉片病害的實(shí)際應(yīng)用中，識(shí)別準(zhǔn)確率是比識(shí)別速度更為重要的性能指標(biāo)，因此本文改進(jìn)的模型針對(duì)番茄葉片病害識(shí)別問(wèn)題具有一定的性能優(yōu)勢(shì)。

圖9 不同模型訓(xùn)練過(guò)程中識(shí)別準(zhǔn)確率的變化

表1 不同模型對(duì)比實(shí)驗(yàn)結(jié)果

為進(jìn)一步比較各模型的性能，采用Softmax交叉熵?fù)p失函數(shù)來(lái)分析，繪制不同模型的損失函數(shù)，對(duì)比結(jié)果如圖10所示。由圖10可以發(fā)現(xiàn)本文改進(jìn)的模型在對(duì)比模型中訓(xùn)練損失最小，收斂速度最快，在迭代次數(shù)超過(guò)30次后，損失值趨于平穩(wěn)。驗(yàn)證了改進(jìn)后的模型能夠更好地應(yīng)用于實(shí)際場(chǎng)景下番茄葉片病害識(shí)別工作。

圖10 不同模型訓(xùn)練過(guò)程中損失值的變化

作為分類(lèi)模型評(píng)價(jià)指標(biāo)之一，混淆矩陣可直觀表示各類(lèi)別誤分為其他類(lèi)別的比重。行列交叉的數(shù)值是該類(lèi)別被預(yù)測(cè)為對(duì)應(yīng)列標(biāo)簽的概率，對(duì)角線處的數(shù)值是該類(lèi)別被預(yù)測(cè)準(zhǔn)確的概率，對(duì)角線的顏色越深代表模型識(shí)別效果越好。本文對(duì)測(cè)試集在SK-EfficientNet模型上的混淆矩陣進(jìn)行可視化，如圖11所示。由圖11可以看出，本文改進(jìn)的模型在測(cè)試集上也取得了不錯(cuò)的識(shí)別效果，對(duì)于番茄大部分病害都能完全被識(shí)別正確，晚疫病的誤識(shí)別率比其他稍高，但平均識(shí)別準(zhǔn)確率能達(dá)到99%以上。由此可知本文改進(jìn)的模型具有較好的魯棒性，可以為番茄葉片病害識(shí)別提供參考。

圖11 SK-EfficientNet識(shí)別番茄病害的混淆矩陣

為了進(jìn)一步驗(yàn)證番茄圖像數(shù)據(jù)集在EfficientNet-B0到B7的分類(lèi)效果，本文分別構(gòu)建SK-EfficientNet-B0到B7分類(lèi)模型，計(jì)算得到對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。從表2可以看出，由于目前實(shí)驗(yàn)計(jì)算機(jī)計(jì)算能力有限，SK-EfficientNet-B6、B7模型訓(xùn)練受到了限制，SK-EfficientNet-B2表現(xiàn)出了更好的精度優(yōu)勢(shì)。

表2 不同EfficientNet對(duì)比實(shí)驗(yàn)結(jié)果

此外，為更好地分析改進(jìn)后網(wǎng)絡(luò)對(duì)圖像特征表達(dá)的過(guò)程，將各SK-MBConv模塊卷積層輸出的特征圖進(jìn)行可視化，為便于可視化，只列出前3個(gè)SK-MBConv。由圖12可以發(fā)現(xiàn)，隨著網(wǎng)絡(luò)層數(shù)的增加，網(wǎng)絡(luò)特征提取層關(guān)注的圖像特征越來(lái)越抽象，特征的紋理性也逐漸被更高級(jí)的語(yǔ)義性所代替；本文改進(jìn)的網(wǎng)絡(luò)從過(guò)程上能夠獲得較為豐富的邊緣信息，從結(jié)果上可以取得較高的識(shí)別精度，適用于番茄葉片病害識(shí)別問(wèn)題。

圖12 部分SK-MBconv可視化卷積特征圖

2.5 Dataset of Tomato Leaves數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出的模型在自然場(chǎng)景下的識(shí)別效果，針對(duì)自然環(huán)境下的Dataset of Tomato Leaves數(shù)據(jù)集，再次訓(xùn)練模型進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果如表3所示。相比ResNet50、MobileNet、InceptionV3網(wǎng)絡(luò)，本文改進(jìn)的網(wǎng)絡(luò)在識(shí)別精度上有很大提升，改進(jìn)后的模型平均識(shí)別率為93.28%，相比原始模型提升3.81個(gè)百分點(diǎn)，單張圖像識(shí)別耗時(shí)也明顯降低。

表3 自然場(chǎng)景下不同模型對(duì)比實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文改進(jìn)的模型在自然場(chǎng)景下的魯棒性，選取測(cè)試集中帶有復(fù)雜背景的細(xì)菌性斑點(diǎn)病和多葉片黃化曲葉病，觀察改進(jìn)模塊SK-MBConv不同網(wǎng)絡(luò)層對(duì)病害所關(guān)注的特征信息，對(duì)特征熱力圖進(jìn)行可視化。由圖13可以發(fā)現(xiàn)，隨著網(wǎng)絡(luò)層數(shù)的增加，提取的病害特征越來(lái)越清晰，受復(fù)雜背景等干擾信息的影響越來(lái)越小。由此可以說(shuō)明本文改進(jìn)的模型具有較強(qiáng)的特征提取能力，在一定程度可以去除復(fù)雜背景等干擾信息的影響，增強(qiáng)模型的魯棒性。

圖13 SK-MBConv不同層熱力圖

3 結(jié)論

本研究針對(duì)目前大部分番茄病害識(shí)別模型識(shí)別精度不夠高，所需參數(shù)多的問(wèn)題，提出一種基于SK-EfficientNet的番茄病害識(shí)別模型，通過(guò)將SKNet網(wǎng)絡(luò)融入EfficientNet核心模塊MBConv，并設(shè)置多組對(duì)比實(shí)驗(yàn)，分析模型識(shí)別率和所需參數(shù)，最后將該模型應(yīng)用于自然場(chǎng)景，得到如下結(jié)論：

1)SKNet相比SENet，其優(yōu)越性在于可以使卷積核根據(jù)輸入特征的多尺度信息自適應(yīng)選擇感受野的大小，提高對(duì)圖像特征的提取能力，具備更高的分類(lèi)性能，也更有效地利用了參數(shù)。實(shí)驗(yàn)結(jié)果證明在單一環(huán)境下基于SK-EfficientNet模型平均識(shí)別率達(dá)到99.64%，模型參數(shù)僅需3.83 MiB，優(yōu)于其他模型。

2)在目前實(shí)驗(yàn)室計(jì)算機(jī)計(jì)算能力的限制下，SK-EfficientNet-B2取得了最好的識(shí)別效果，平均識(shí)別準(zhǔn)確率99.88%。

3)本文模型在自然場(chǎng)景下的應(yīng)用優(yōu)勢(shì)更為突出，平均識(shí)別率達(dá)93.28%，相比原模型高出3.81個(gè)百分點(diǎn)，能夠?yàn)樽匀粓?chǎng)景番茄葉片病害識(shí)別提供參考。但目前識(shí)別精度仍不高，有進(jìn)一步提升的空間，后續(xù)工作將針對(duì)自然場(chǎng)景繼續(xù)改進(jìn)模型。