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(chǎn)量。針對實際生產(chǎn)中葉片病害識別準(zhǔn)確率不高以及現(xiàn)有模型參數(shù)量大難以遷移到移動設(shè)備的問題，本研究基于EfricientNetV2-b0模型，經(jīng)過改進后提出了輕量級的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)，可以進一步優(yōu)化網(wǎng)絡(luò)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(zhǔn)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(biāo)注意力（CA）機制，通過將空間信息編碼為坐標(biāo)信息以更好地捕捉和表達空間上的細粒度特征。實驗結(jié)果顯示，相較于原始網(wǎng)絡(luò)，ECV2-CA網(wǎng)絡(luò)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，F(xiàn)1得分提高2.67個百分點，Top-1準(zhǔn)確率提高2.47個百分點，而參數(shù)量僅為48.9M，可遷移至移動設(shè)備上使用，為真實場景下蘋果葉片病害的快速、準(zhǔn)確識別提供了一種有效的解決方案。

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

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

蘋果產(chǎn)業(yè)是我國農(nóng)業(yè)經(jīng)濟的重要組成部分，我國在全球蘋果市場中占據(jù)主導(dǎo)地位，2022年度蘋果產(chǎn)量穩(wěn)居世界第一，蘋果種植和出口對我國經(jīng)濟發(fā)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(zhì)量和產(chǎn)量，及時發(fā)現(xiàn)并防治可以有效減少由此造成的經(jīng)濟損失。但傳統(tǒng)的病害識別主要是由相關(guān)領(lǐng)域?qū)＜彝ㄟ^肉眼檢測，不僅耗時費力，而且病害特征不明顯時易誤判，導(dǎo)致識別準(zhǔn)確率不高。近年來計算機視覺和機器學(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)用于多種檢測領(lǐng)域，例如用于臨床疾病檢測、化學(xué)信息預(yù)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(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來識別番茄葉片病害，實驗證明用自適應(yīng)矩估計（Adam）優(yōu)化器的準(zhǔn)確率要優(yōu)于隨機梯度下降（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)練深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）和多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)識別的分類器，并用于識別不同植物的185種病害，準(zhǔn)確率可達到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注意力機制，使用余弦退火衰減策略動態(tài)調(diào)整學(xué)習(xí)率，在玉米和蘋果葉部病害數(shù)據(jù)集上識別準(zhǔn)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(zhǔn)確率達到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)注意力機制進行改進，對水稻病蟲害的識別準(zhǔn)確率達到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)注意力機制，使模型的平均識別準(zhǔn)確率達到96.97％。張龔等在ResNet50網(wǎng)絡(luò)模型的基礎(chǔ)上進行預(yù)訓(xùn)練，并引入焦點損失函數(shù)和Dropout正則化，構(gòu)建的改進ResNet50模型對棉葉螨危害等級的平均識別準(zhǔn)確率達到97.8％。

深度學(xué)習(xí)算法在蘋果葉片病害檢測方面的應(yīng)用研究也取得了一定的進展，例如Jiang等通過引入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(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模型對多種蘋果葉片病害進行識別，mAP達82.48％：陳聰?shù)韧ㄟ^在基準(zhǔn)模型ResNet-50的基礎(chǔ)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(zhǔn)確率提高2.41個百分點。但這些模型通常參數(shù)量大，限制了它們在移動設(shè)備上的應(yīng)用。

本研究在輕量級網(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(xiàn)較高的識別準(zhǔn)確率，易于移動設(shè)備搭載，便于非專業(yè)人士通過移動設(shè)備實時識別蘋果葉片病害。

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(shù)據(jù)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(shù)據(jù)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。