溫釗發(fā) 蒲智 程曦 趙昀杰 張澤宇

摘要：為實(shí)現(xiàn)農(nóng)作物病害的快速精準(zhǔn)識(shí)別，降低病害對(duì)農(nóng)業(yè)安全生產(chǎn)的影響，本研究針對(duì)現(xiàn)有病害識(shí)別模型參數(shù)量大、魯棒性低、泛化性弱等問題提出了輕量級(jí)MIE_Net農(nóng)作物病害識(shí)別網(wǎng)絡(luò)。該網(wǎng)絡(luò)以MobileNetV2為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，首先使用多尺度特征提取模塊替換原網(wǎng)絡(luò)的初始卷積層，提高網(wǎng)絡(luò)對(duì)不同面積病斑的特征提取能力，增加網(wǎng)絡(luò)中的特征復(fù)雜度；其次在主模塊中添加ECA注意力機(jī)制，提高網(wǎng)絡(luò)對(duì)葉片病害區(qū)域的關(guān)注程度，降低復(fù)雜背景對(duì)小病斑特征提取過程的影響；最后使用Swish激活函數(shù)增加網(wǎng)絡(luò)的表達(dá)能力，使網(wǎng)絡(luò)性能達(dá)到最優(yōu)。結(jié)果表明，多尺度特征提取模塊提高了模型對(duì)不同病斑大小的識(shí)別準(zhǔn)確率，ECA注意力模塊提高了網(wǎng)絡(luò)對(duì)小病斑的識(shí)別準(zhǔn)確率，最終網(wǎng)絡(luò)模型對(duì)復(fù)雜環(huán)境中2種作物11種病害類別的最低識(shí)別精確率達(dá)到91.2%，總體病害識(shí)別準(zhǔn)確率達(dá)到95.79%，比原網(wǎng)絡(luò)提高1.84百分點(diǎn)，參數(shù)量為2.24M，權(quán)重文件大小為8.78MB。MIE_Net網(wǎng)絡(luò)在保證模型輕量化的同時(shí)提高了模型的準(zhǔn)確性、泛化性以及魯棒性，整體性能優(yōu)于其他現(xiàn)有網(wǎng)絡(luò)模型，為以后的輕量級(jí)作物病害識(shí)別方法提供了參考。

關(guān)鍵詞：病害識(shí)別；輕量級(jí)網(wǎng)絡(luò)；注意力機(jī)制；多尺度特征

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）10-0176-09

目前，病害依然是作物安全生產(chǎn)過程中的嚴(yán)重威脅。聯(lián)合國(guó)糧食及農(nóng)業(yè)組織統(tǒng)計(jì)數(shù)據(jù)表明，每年全球因病蟲害而造成的糧食生產(chǎn)損失高達(dá)20%～40%［1］。2021年我國(guó)發(fā)生糧食重大病蟲害與其他一類農(nóng)作物病蟲害土地面積達(dá)到2.35億hm2［2-3］，對(duì)農(nóng)業(yè)生產(chǎn)造成重大經(jīng)濟(jì)損失。因此，盡早對(duì)作物病害進(jìn)行精確識(shí)別對(duì)我國(guó)農(nóng)業(yè)安全生產(chǎn)與健康發(fā)展具有重要意義。

農(nóng)作物發(fā)生病害時(shí)，在植物葉片表面會(huì)產(chǎn)生顏色、紋理、形狀等方面變化，傳統(tǒng)病害識(shí)別需要專業(yè)技術(shù)人員在田間對(duì)病害種類進(jìn)行甄別，這種方法時(shí)效性低、主觀性高，極易錯(cuò)過病害防治最佳時(shí)間。基于圖像處理技術(shù)的病害識(shí)別需要人工進(jìn)行特征選取、圖像分割等大量前期圖像預(yù)處理工作，人為選定的特征信息也會(huì)割裂病害全局信息，造成部分關(guān)鍵特征的信息丟失。而深度學(xué)習(xí)不需要進(jìn)行前期冗雜的圖像預(yù)處理工作，直接采用端到端的方式學(xué)習(xí)病害高級(jí)特征，避免了主觀因素的影響。

蒲秀夫等使用VGG16網(wǎng)絡(luò)實(shí)現(xiàn)了簡(jiǎn)單背景下的多種作物病害圖像識(shí)別，平均準(zhǔn)確率為96.8%［4］；Tang等在ShuffleNet中引入注意力機(jī)制，在PlantVillage數(shù)據(jù)集上對(duì)多種作物病害識(shí)別準(zhǔn)確率達(dá)到99.14%［5］；Ni等結(jié)合密集連接思想對(duì)ResNet50網(wǎng)絡(luò)進(jìn)行改進(jìn)，在AIChallenger2018數(shù)據(jù)集上準(zhǔn)確率比原網(wǎng)絡(luò)提高了0.8%［6-7］；胡玲艷等引入注意力機(jī)制對(duì)SqueezeNet進(jìn)行改進(jìn)，在PlantVillage數(shù)據(jù)集上準(zhǔn)確率達(dá)到97.29%［8］；孫文斌等將注意力機(jī)制引入ResNet18網(wǎng)絡(luò)，在AIChallenger2018數(shù)據(jù)集上準(zhǔn)確率達(dá)到86.93%，權(quán)重文件大小為48.6MB［9］。以上都是基于簡(jiǎn)單環(huán)境背景開展的病害識(shí)別研究，模型應(yīng)用于實(shí)地時(shí)易受外界因素影響，魯棒性低、泛化性差。李昊等在專用設(shè)備上通過YOLOV4與DenseNet網(wǎng)絡(luò)分別實(shí)現(xiàn)了柑橘園病害葉片的檢測(cè)與病害識(shí)別，在自采集復(fù)雜環(huán)境數(shù)據(jù)集上準(zhǔn)確率達(dá)到95.46%［10］；孫俊等在MobileNetV2中引入特征金字塔與注意力機(jī)制，在kaggle復(fù)雜背景數(shù)據(jù)集上達(dá)到92.20%的準(zhǔn)確率［11］；黃林生等在ResNet18中引入Inception模塊，在復(fù)雜背景數(shù)據(jù)集上平均準(zhǔn)確率達(dá)到95.62%，權(quán)重文件大小為44.2MB［12］。以上研究針對(duì)解決復(fù)雜環(huán)境下的病害識(shí)別，但網(wǎng)絡(luò)準(zhǔn)確率不夠理想、計(jì)算量過多、權(quán)重文件過大，難以搭載至移動(dòng)端。

針對(duì)上述問題，本研究以復(fù)雜背景下的農(nóng)作物病害葉片圖像為研究對(duì)象，提出一種適用于復(fù)雜田間環(huán)境的輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)MIE_Net，實(shí)現(xiàn)了對(duì)作物病害的高效精準(zhǔn)識(shí)別，并利用對(duì)比試驗(yàn)與消融試驗(yàn)驗(yàn)證了網(wǎng)絡(luò)有效性，以期為深度學(xué)習(xí)網(wǎng)絡(luò)模型移植于移動(dòng)端提供思路。

1材料與方法

1.1試驗(yàn)數(shù)據(jù)

1.1.1數(shù)據(jù)采集

簡(jiǎn)單背景葉片圖像數(shù)據(jù)無外界因素干擾，病害特征表現(xiàn)明顯，但由于背景單一，致使訓(xùn)練出的模型魯棒性與泛化性差，無法在田間真實(shí)環(huán)境中應(yīng)用。因此，本研究使用數(shù)據(jù)集由簡(jiǎn)單背景葉片圖像與田間復(fù)雜背景葉片圖像兩大部分構(gòu)成（圖1）。數(shù)據(jù)集包括2種作物（蘋果、玉米）的9種病害葉片圖像（蘋果斑點(diǎn)落葉病、蘋果褐斑病、蘋果灰斑病、蘋果花葉病、蘋果銹病、蘋果黑星病、玉米灰斑病、玉米大斑病、玉米銹?。┖?種健康葉片圖像（蘋果健康、玉米健康），共6787張。從PlantVillage數(shù)據(jù)集、NewPlantDiseasesDataset數(shù)據(jù)集、AppleScabLDs數(shù)據(jù)集以及實(shí)地拍攝圖像中通過數(shù)據(jù)清洗、人工篩選得到無重復(fù)數(shù)據(jù)的原始數(shù)據(jù)集。通過分析表1可以發(fā)現(xiàn)，原始數(shù)據(jù)集中存在圖像數(shù)據(jù)總樣本少、不同作物數(shù)據(jù)樣本分布不均衡、同種作物不同病害樣本數(shù)量存在差距、同種病害不同背景的樣本數(shù)量差距大等問題。因此，本研究擬通過數(shù)據(jù)預(yù)處理、模型結(jié)構(gòu)優(yōu)化等方式降低樣本數(shù)量少、分布不均衡對(duì)模型性能的影響。

1.1.2數(shù)據(jù)預(yù)處理

為保證訓(xùn)練集與測(cè)試集的數(shù)據(jù)獨(dú)立性［13］，確保模型評(píng)估效果的真實(shí)性與有效性，在數(shù)據(jù)預(yù)處理操作前，將原始數(shù)據(jù)集按8∶2的比例劃分為訓(xùn)練集與測(cè)試集。由于訓(xùn)練集圖像難以涵蓋田間實(shí)地的多種復(fù)雜情況，網(wǎng)絡(luò)在訓(xùn)練過程中容易產(chǎn)生過擬合現(xiàn)象，訓(xùn)練出的模型泛化性、魯棒性較差，因此需要對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)操作。通過分析作物病害表現(xiàn)特征，添加噪聲、顏色變換等數(shù)據(jù)增強(qiáng)方式會(huì)改變病害的本質(zhì)特征，不利于網(wǎng)絡(luò)訓(xùn)練過程中的病害特征提取，故僅采用水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、角度旋轉(zhuǎn)、亮度變換、對(duì)比度變換5種方式進(jìn)行圖像增強(qiáng)操作，增強(qiáng)效果見圖2。為增強(qiáng)模型訓(xùn)練過程中的數(shù)據(jù)隨機(jī)性，同時(shí)避免數(shù)據(jù)增強(qiáng)過度，本研究在訓(xùn)練過程中隨機(jī)選取多種圖像增強(qiáng)方法對(duì)訓(xùn)練集進(jìn)行增強(qiáng)操作，操作參數(shù)見表2。

1.2模型選取與改進(jìn)

隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)、實(shí)例分割、圖像識(shí)別等領(lǐng)域取得了良好表現(xiàn)［14］。本研究采用相同的訓(xùn)練策略對(duì)多種網(wǎng)絡(luò)在同一數(shù)據(jù)集上進(jìn)行訓(xùn)練，測(cè)試集表現(xiàn)如表3所示。通過比較各模型的準(zhǔn)確率、F1分?jǐn)?shù)與權(quán)重文件大小，選擇MobileNetV2［15］、ShufflenetV2作為備選網(wǎng)絡(luò)。通過表4可知，MobileNetV2網(wǎng)絡(luò)在測(cè)試集上對(duì)各類病害的識(shí)別精確率與F1分?jǐn)?shù)比ShufflenetV2網(wǎng)絡(luò)更均衡且平均值更高，最終選取MobileNetV2作為本研究基礎(chǔ)網(wǎng)絡(luò)。

MobileNetV2是Sandler等在MobileNetV1［15-16］網(wǎng)絡(luò)基礎(chǔ)上改進(jìn)提出的。MobileNetV1提出的深度可分離卷積由深度卷積與逐點(diǎn)卷積構(gòu)成，該操作降低了卷積過程運(yùn)算量，提高了模型運(yùn)算速度［16］，如圖3-a所示。MobileNetV2在深度可分離模塊的基礎(chǔ)上結(jié)合殘差模塊［17］與瓶頸模塊提出倒置殘差模塊，將輸入特征通過逐點(diǎn)卷積-深度卷積-逐點(diǎn)卷積操作，在保持較低計(jì)算復(fù)雜度的同時(shí)提高了模型獲取特征的豐富度，如圖3-b所示。但針對(duì)復(fù)雜背景下的作物病害識(shí)別任務(wù)，MobileNetV2依舊存在一些不足，網(wǎng)絡(luò)中所有卷積核尺寸都是采用3×3大小，提取特征過于單一，不能很好使用不同病斑大小的特征提??；面對(duì)過于復(fù)雜的背景或小病斑時(shí)，隨著網(wǎng)絡(luò)深度增加，病害部位低級(jí)特征易被忽略或丟失?；诖耍狙芯繉?duì)MobileNetV2網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高網(wǎng)絡(luò)性能表現(xiàn)。

1.2.1改進(jìn)的多尺度特征提取模塊

在串聯(lián)網(wǎng)絡(luò)上提高模型特征獲取能力最直接的方法是增加網(wǎng)

絡(luò)深度或?qū)挾龋珪?huì)導(dǎo)致模型參數(shù)量多，復(fù)雜度高等問題。針對(duì)此，Szegedy等提出了多尺度特征提取模塊［18］，如圖4-a所示，將串聯(lián)網(wǎng)絡(luò)的完全連接結(jié)構(gòu)改為了并聯(lián)的稀疏連接結(jié)構(gòu)，在模型計(jì)算復(fù)雜度不會(huì)失控膨脹的基礎(chǔ)上顯著增加了單元數(shù)量，提高了特征獲取的復(fù)雜度與豐富度。本研究中，作物病害具有病斑面積大小不均、背景復(fù)雜多變的特點(diǎn)，當(dāng)處于病害初期或?yàn)樾⌒筒“邥r(shí)，使用3×3小尺寸卷積核可以提取到足夠有效特征，但當(dāng)病斑過大或成片表現(xiàn)時(shí)，3×3小尺寸卷積核會(huì)導(dǎo)致病斑特征信息的割裂丟失，使網(wǎng)絡(luò)難適應(yīng)于不同時(shí)期、不同種類的病害識(shí)別?；诖耍狙芯恳攵喑叨忍卣魈崛∧K，根據(jù)實(shí)際研究需求與葉片病害識(shí)別特點(diǎn)提出MInception模塊，將原始模塊中的步長(zhǎng)修改為2，快速降低特征圖大小，減少傳入網(wǎng)絡(luò)主干的參數(shù)量；將第1分支的卷積核尺寸修改為2×2大小，解決因步長(zhǎng)變化而導(dǎo)致小病斑圖像特征丟失的問題；在第2分支和第3分支分別借鑒倒置殘差模塊與瓶頸模塊的思想對(duì)網(wǎng)絡(luò)通道的壓縮膨脹進(jìn)行改進(jìn)，進(jìn)一步提高網(wǎng)絡(luò)獲取特征的豐富性；對(duì)各分支通道數(shù)量進(jìn)行壓縮，在保證提取豐富特征的同時(shí)避免模型參數(shù)量膨脹失控；將ReLU激活函數(shù)替換為Swish激活函數(shù)，提高模型泛化性，模塊結(jié)構(gòu)見圖4-b。使用該模塊取代基礎(chǔ)網(wǎng)絡(luò)中的第1層3×3卷積操作，增加了網(wǎng)絡(luò)中病害特征提取的多樣性，提高了網(wǎng)絡(luò)的泛化能力。

1.2.2改進(jìn)的ECA倒置殘差模塊

注意力機(jī)制是在網(wǎng)絡(luò)中通過計(jì)算輸入特征的各通道目標(biāo)權(quán)重，使用乘積操作將權(quán)重賦予各通道，使網(wǎng)絡(luò)更關(guān)注于目標(biāo)區(qū)域的一種方法。針對(duì)本研究研究?jī)?nèi)容，復(fù)雜背景圖像中外界干擾因素過多，小病斑在網(wǎng)絡(luò)傳播過程中會(huì)出現(xiàn)特征丟失情況，致使網(wǎng)絡(luò)關(guān)注于其他區(qū)域。而注意力機(jī)制可以將圖像中病害區(qū)域的權(quán)重增大，使網(wǎng)絡(luò)始終關(guān)注于病害發(fā)生區(qū)域，有利于提高網(wǎng)絡(luò)性能，提升識(shí)別準(zhǔn)確率。傳統(tǒng)的SE注意力［19］是將特征圖的所有通道信息在壓縮階段進(jìn)行處理，增加了網(wǎng)絡(luò)的運(yùn)算量，破壞了通道間的相對(duì)獨(dú)立性，使病害的特征信息遭受破壞。ECA注意力［20］綜合考慮了各通道間的聯(lián)系性與獨(dú)立性，每次使用步長(zhǎng)為1、大小為k的一維卷積對(duì)k個(gè)通道執(zhí)行操作，在不破壞特征信息的基礎(chǔ)上實(shí)現(xiàn)了無降維的權(quán)重計(jì)算操作，如圖5-a所示，一維卷積尺寸大小k如式（1）所示。本研究通過試驗(yàn)比較CBAM、DECA、ECA3種注意力對(duì)于網(wǎng)絡(luò)性能的影響，將ECA注意力添加至倒殘差模塊的深度卷積操作后，將ECA倒置殘差模塊中的激活函數(shù)修改為Swish激活函數(shù)，結(jié)構(gòu)見圖5-b，增加了網(wǎng)絡(luò)對(duì)病害特征的關(guān)注度，提高了網(wǎng)絡(luò)準(zhǔn)確率。

k=log2（C）γ+b[]γodd。（1）

式中：odd代表取最近整數(shù)，k代表一維卷積大小，C代表當(dāng)前卷積核數(shù)量，γ=2，b=1。

1.2.3MIE_Net輕量級(jí)農(nóng)作物病害識(shí)別網(wǎng)絡(luò)

本研究設(shè)計(jì)的MIE_Net網(wǎng)絡(luò)以MobileNetV2為基礎(chǔ)網(wǎng)絡(luò)，使用MInception模塊替換原始網(wǎng)絡(luò)的第1個(gè)3×3卷積層，將主干網(wǎng)絡(luò)中的導(dǎo)致殘差結(jié)構(gòu)更換為改進(jìn)的ECA倒置殘差模塊，最終得到的MIE_Net輕量級(jí)網(wǎng)絡(luò)整體結(jié)構(gòu)見圖6。網(wǎng)絡(luò)得到任意像素的RGB圖像后首先將圖像縮放為224×224大小，然后對(duì)圖像進(jìn)行歸一化處理，接著通過MInception與ECABlock等模塊結(jié)構(gòu)對(duì)輸入圖像進(jìn)行高級(jí)特征提取，最后利用Softmax得到圖像目標(biāo)患各病害的概率，選取最大概率作為模型輸出，模型相關(guān)參數(shù)見表5。

1.2.4網(wǎng)絡(luò)評(píng)價(jià)標(biāo)準(zhǔn)

設(shè)立評(píng)價(jià)標(biāo)準(zhǔn)可以更客觀地對(duì)模型性能進(jìn)行評(píng)估，本研究選用準(zhǔn)確率、平均精確率、平均F1分?jǐn)?shù)、參數(shù)量、權(quán)重大小共5個(gè)指標(biāo)作為模型整體評(píng)價(jià)標(biāo)準(zhǔn)，選用精確率、F1分?jǐn)?shù)作為每類作物病害分類的評(píng)價(jià)標(biāo)準(zhǔn)。

1.3試驗(yàn)環(huán)境與參數(shù)設(shè)置

1.3.1試驗(yàn)環(huán)境

所有網(wǎng)絡(luò)采用相同的試驗(yàn)環(huán)境，均在本地進(jìn)行訓(xùn)練。在硬件方面CPU處理器使用IntelCoreTMi7-10875H@2.30GHz，GPU圖形處理器使用NVIDIAGeForceRTX2060，顯存為6G，運(yùn)行內(nèi)存為16G。在軟件配置方面CUDA版本為11.0，Cudnn版本為8.0，以Pytorch1.10作為深度學(xué)習(xí)框架，使用Python3.8編程語言在Pycharm2020.3平臺(tái)完成網(wǎng)絡(luò)的結(jié)構(gòu)搭建與訓(xùn)練。

1.3.2參數(shù)設(shè)置

本試驗(yàn)所有網(wǎng)絡(luò)使用相同訓(xùn)練策略，選用Adam優(yōu)化器，訓(xùn)練過程中更新所有參數(shù)，學(xué)習(xí)率設(shè)置為0.001，經(jīng)過網(wǎng)絡(luò)模型性能對(duì)比選用交叉熵?fù)p失函數(shù)，迭代次數(shù)設(shè)置為50，批處理圖像數(shù)受硬件條件所限設(shè)置為32張/批。

2結(jié)果與分析

2.1模型性能結(jié)果分析

為驗(yàn)證MIE_NET網(wǎng)絡(luò)的有效性，本部分選取MobileNetV2、EfficientNet、ConvNext等3種網(wǎng)絡(luò)在同一數(shù)據(jù)集上使用相同的訓(xùn)練策略與MIE_Net作對(duì)比試驗(yàn)。由圖7可知，MIE_Net網(wǎng)絡(luò)的收斂速度高于其他3種網(wǎng)絡(luò)結(jié)構(gòu)，更容易訓(xùn)練。由表6可知，MIE_Net網(wǎng)絡(luò)在測(cè)試集準(zhǔn)確率上比原始MobileNetV2網(wǎng)絡(luò)提高了1.84百分點(diǎn)，病害識(shí)別平均精確率比ConvNext網(wǎng)絡(luò)提高了5.50百分點(diǎn)，模型的準(zhǔn)確性、泛化性與魯棒性更加優(yōu)異。與EfficientNet網(wǎng)絡(luò)性能表現(xiàn)相似，但參數(shù)量?jī)H為EfficientNet的55.72%，權(quán)重文件僅為EfficientNet的56.28%，模型更容易搭載于移動(dòng)端，進(jìn)一步體現(xiàn)了MIE_Net模型的優(yōu)異性能。

2.2消融試驗(yàn)結(jié)果分析

為了使MIE_Net網(wǎng)絡(luò)在保持良好性能的基礎(chǔ)上盡可能輕量化，本部分使用消融試驗(yàn)來判斷各模塊對(duì)網(wǎng)絡(luò)性能的影響，進(jìn)而優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。

由圖8可知，引入ECA注意力機(jī)制或多尺度特征提取模塊都提高了模型的收斂速度，提升了網(wǎng)絡(luò)性能；使用交叉熵?fù)p失函數(shù)的網(wǎng)絡(luò)收斂速度高于使用FocalLoss損失函數(shù)的同類型網(wǎng)絡(luò)。圖中FocalLoss損失值低是因?yàn)樵诜聪騻鞑ミ^程中人為地對(duì)損失值進(jìn)行了0.25或0.5的懲罰系數(shù)造成的。最終，基于交叉熵?fù)p失函數(shù)并融合了改進(jìn)的ECA倒置殘差模塊與MInception模塊的MIE_Net網(wǎng)絡(luò)收斂速度達(dá)到最快。

由表7可知，在MobileNetV2中加入ECA注意力機(jī)制，蘋果灰斑病精確率提高12.5百分點(diǎn)、玉米灰斑病精確率提高9.3百分點(diǎn)，網(wǎng)絡(luò)平均精確率提高1.63百分點(diǎn)，準(zhǔn)確率提高1.42百分點(diǎn)；加入多尺度特征提取模塊，玉米銹病識(shí)別精確率提高2.5百分點(diǎn)，玉米大斑病識(shí)別精確率提高1.2百分點(diǎn)。試驗(yàn)表明，引入注意力機(jī)制可以使網(wǎng)絡(luò)在面對(duì)背景復(fù)雜的小病斑病害圖像時(shí)減弱背景影響，加大病斑特征位置的權(quán)重，使網(wǎng)絡(luò)更關(guān)注于病害區(qū)域；引入多尺度特征提取模塊可以使網(wǎng)絡(luò)在面對(duì)大病斑或呈片狀分布的葉片病害時(shí)，在保證病害特征整體性的同時(shí)，實(shí)現(xiàn)網(wǎng)絡(luò)對(duì)病害特征的充分提取。

在MobileNetV2_ECA中使用交叉熵?fù)p失函數(shù)，測(cè)試集準(zhǔn)確率提高了2.39百分點(diǎn)，平均精確率提高了2.65百分點(diǎn)。在MobileNetV2_Inception中使用Swish激活函數(shù)，提高了大多數(shù)病害的精確率，平均精確率提高了1.46百分點(diǎn)。試驗(yàn)表明，交叉熵?fù)p失函數(shù)與Swish激活函數(shù)可以提升網(wǎng)絡(luò)整體性能。

最后，將ECA注意力機(jī)制、多尺度特征提取、Swish激活函數(shù)與交叉熵?fù)p失函數(shù)進(jìn)行整合，得到MIE_Net農(nóng)作物病害識(shí)別網(wǎng)絡(luò)。該網(wǎng)絡(luò)與各類改進(jìn)網(wǎng)絡(luò)相比，在其他病害識(shí)別精確率達(dá)到理想的情況下，數(shù)據(jù)集中幾類難識(shí)別作物病害的精確率也得到了比較好的提升，病害最低識(shí)別精確率達(dá)到91.2%，在測(cè)試集準(zhǔn)確率上比MobileNetV2網(wǎng)絡(luò)提高了1.84百分點(diǎn)。綜上所述，文中所提各模塊對(duì)網(wǎng)絡(luò)性能都有著不同方面的提升，融合了各模塊優(yōu)點(diǎn)的MIE_Net網(wǎng)絡(luò)模型在不同改進(jìn)網(wǎng)絡(luò)中準(zhǔn)確性、泛化性與魯棒性最優(yōu)。

2.3混淆矩陣結(jié)果分析

本研究使用混淆矩陣作為病害識(shí)別模型的性能衡量指標(biāo)之一，其中x軸代表圖像的真實(shí)標(biāo)簽，y軸代表模型的預(yù)測(cè)標(biāo)簽，主對(duì)角線為模型預(yù)測(cè)正確的樣本數(shù)量，本部分使用與訓(xùn)練集完全獨(dú)立的測(cè)試集圖像數(shù)據(jù)對(duì)模型進(jìn)行性能測(cè)試。從圖9可知，MIE_Net模型對(duì)蘋果斑點(diǎn)落葉病與蘋果灰斑病有識(shí)別錯(cuò)誤的情況產(chǎn)生，這是由于蘋果斑點(diǎn)落葉病與蘋果灰斑病在形狀、顏色2種特征上有極高的相似度。但MIE_Net網(wǎng)絡(luò)的泛化性、魯棒性、準(zhǔn)確性及模型收斂速度均高于其他網(wǎng)絡(luò)，對(duì)各種類病害都能實(shí)現(xiàn)很好的識(shí)別效果。

3結(jié)論

本研究立足于農(nóng)業(yè)生產(chǎn)實(shí)際，針對(duì)復(fù)雜背景干擾因素多、病斑大小不一及現(xiàn)有模型參數(shù)量過大等問題，提出了一種輕量級(jí)網(wǎng)絡(luò)模型MIE_Net，實(shí)現(xiàn)了對(duì)2種作物11種病害的高效精準(zhǔn)識(shí)別。MIE_Net網(wǎng)絡(luò)以MobileNetV2為基礎(chǔ)網(wǎng)絡(luò)，通過引入注意力機(jī)制與多尺度特征提取模塊，減輕了復(fù)雜背景與病斑大小不一對(duì)模型性能的干擾。同時(shí)，在保證模型識(shí)別準(zhǔn)確率、收斂速度、泛化性與魯棒性的前提下，平衡了模型復(fù)雜量與性能的關(guān)系，最終模型在測(cè)試集準(zhǔn)確率達(dá)到95.79%，參數(shù)量為2.24M，權(quán)重文件為8.78MB。以上充分體現(xiàn)了MIE_Net網(wǎng)絡(luò)搭載在移動(dòng)端解決復(fù)雜背景作物病害識(shí)別問題的優(yōu)越性，為其他輕量級(jí)復(fù)雜病害識(shí)別網(wǎng)絡(luò)研究提供了參考。

參考文獻(xiàn)：

［1］FoodandAgricultureOrganizationoftheUnitedNation.Planthealthandfoodsecurity［EB/OL］.（2020-06-04）［2022-03-03］.https：//www.fao.org/3/i7829en/I7829EN.pdf.

［2］劉杰，姜玉英，黃沖，等.2021年全國(guó)糧食作物重大病蟲害發(fā)生趨勢(shì)預(yù)報(bào)［J］.中國(guó)植保導(dǎo)刊，2021，41（1）：37-39，42.

［3］2021年其他一類農(nóng)作物病蟲害全國(guó)發(fā)生趨勢(shì)預(yù)報(bào)［J］.農(nóng)民文摘，2021（3）：47.

［4］蒲秀夫，寧芊，雷印杰，等.基于二值化卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害識(shí)別［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2020，41（2）：177-182.

［5］TangZ，YangJL，LiZ，etal.Grapediseaseimageclassificationbasedonlightweightconvolutionneuralnetworksandchannelwiseattention［J］.ComputersandElectronicsinAgriculture，2020，178：105735.

［6］NiP，ChenZ，CaoMY.Researchoncropdiseaserecognitionbasedonunitingmulti-layerfeatures［J］.JournalofPhysics，2021，1961（1）：012030.

［7］HuangG，LiuZ，vanderMaatenL，etal.Denselyconnectedconvolutionalnetworks［C］//2017IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.Honolulu：IEEE，2017.

［8］胡玲艷，周婷，許巍，等.面向番茄病害識(shí)別的改進(jìn)型SqueezeNet輕量級(jí)模型［J］.鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2022，54（4）：71-77.

［9］孫文斌，王榮，高榮華，等.基于可見光譜和改進(jìn)注意力的農(nóng)作物病害識(shí)別［J］.光譜學(xué)與光譜分析，2022，42（5）：1572-1580.

［10］李昊，劉海隆，劉生龍.基于深度學(xué)習(xí)的柑橘病蟲害動(dòng)態(tài)識(shí)別系統(tǒng)研發(fā)［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（9）：195-201，208.

［11］孫俊，朱偉棟，羅元秋，等.基于改進(jìn)MobileNet-V2的田間農(nóng)作物葉片病害識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（22）：161-169.

［12］黃林生，羅耀武，楊小冬，等.基于注意力機(jī)制和多尺度殘差網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（10）：264-271.

［13］林建吾，張欣，陳孝玉龍，等.基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的番茄病害圖像識(shí)別［J］.無線電工程，2022，52（8）：1347-1353.

［14］牛學(xué)德，高丙朋，南新元，等.基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測(cè)［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（1）：129-134.

［15］SandlerM，HowardA，ZhuML，etal.MobileNetV2：invertedresidualsandlinearbottlenecks［C］//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.SaltLakeCity：IEEE，2018：4510-4520.

［16］HowardAG，ZhuML，ChenB，etal.MobileNets：efficientconvolutionalneuralnetworksformobilevisionapplications［EB/OL］.（2017-04-17）［2022-03-05］.https：//arxiv.org/abs/1704.04861

［17］HeKM，ZhangXY，RenSQ，etal.Deepresiduallearningforimagerecognition［EB/OL］.（2015-12-10）［2022-03-05］.https：//arxiv.org/pdf/1512.03385.pdf.

［18］SzegedyC，LiuW，JiaYQ，etal.Goingdeeperwithconvolutions［C］//2015IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.Boston：IEEE，2015.

［19］HuJ，ShenL，AlbanieS，etal.Squeeze-and-excitationnetworks［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence，2020，42（8）：2011-2023.

［20］WangQL，WuBG，ZhuPF，etal.ECA-net：efficientchannelattentionfordeepconvolutionalneuralnetworks［C］//2020IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.Seattle：IEEE，2020.