基于改进EfficientNetV2的苹果叶片病害识别模型

摘要：斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害，严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题，本研究基于EfricientNetV2-b0模型，经过改进后提出了轻量级的ECV2-CA网络。该网络在保留EfflCientNetV2-b0主干网络的基础上，一是引入ChostNeLV2网络中的核心Chost Module，并选用original分支替换第一层卷积结构，可以进一步优化网络的计算效率，减少冗余计算，从而在提高模型速度和可移植性的同时保持较高的识别准确率；二是将EfricientnletV2-b0模型中Fused-MBConv模块的SE注意力机制替换为更高教的坐标注意力（CA）机制，通过将空间信息编码为坐标信息以更好地捕捉和表达空间上的细粒度特征。实验结果显示，相较于原始网络，ECV2-CA网络的识别精确率提高2.94个百分点，召回率提高2.53个百分点，F1得分提高2.67个百分点，Top-1准确率提高2.47个百分点，而参数量仅为48.9M，可迁移至移动设备上使用，为真实场景下苹果叶片病害的快速、准确识别提供了一种有效的解决方案。

关键词：苹果叶片病害；轻量级网络；深度学习算法；EflicientNetV2；Chost模块；坐标注意力机制

中图分类号：S126：S661.1 文献标识号：A 文章编号：1001-4942（2024）09-0124-09

苹果产业是我国农业经济的重要组成部分，我国在全球苹果市场中占据主导地位，2022年度苹果产量稳居世界第一，苹果种植和出口对我国经济发展具有重要影响。斑点落叶病、褐斑病、灰斑病、花叶病和锈病是苹果叶片上最常见的病害，严重影响苹果的质量和产量，及时发现并防治可以有效减少由此造成的经济损失。但传统的病害识别主要是由相关领域专家通过肉眼检测，不仅耗时费力，而且病害特征不明显时易误判，导致识别准确率不高。近年来计算机视觉和机器学习技术快速发展，很多基于深度学习的算法被开发并应用于多种检测领域，例如用于临床疾病检测、化学信息预测、机械故障检测等，都取得了显著成效，在植物病害识别上也显示出巨大的潜力。

Thangaraj等基于迁移学习的卷积神经网络（CNN）来识别番茄叶片病害，实验证明用自适应矩估计（Adam）优化器的准确率要优于随机梯度下降（SGD）和RMSprop优化器。Mahmoud等利用伪逆向学习自编码器（PILAE）去训练深度卷积生成对抗网络（DCGAN）和多层感知器（MLP）神经网络识别的分类器，并用于识别不同植物的185种病害，准确率可达到97.86％。温钊发等采用ShuffleNetV2_0.5作为基础网络骨架，引入ECA注意力机制，使用余弦退火衰减策略动态调整学习率，在玉米和苹果叶部病害数据集上识别准确率达到95.21％。Qi等基于MobileNetV3作出改进，用于识别马铃薯的早疫病和晚疫病，准确率达到94.02％。陈浪浪等以DenseNet21为基础网络，融合迁移学习和坐标注意力机制进行改进，对水稻病虫害的识别准确率达到98.95％。李荣鹏等采用MobileNet-V2作为基础网络骨架，在倒残差结构中添加坐标注意力机制，使模型的平均识别准确率达到96.97％。张龚等在ResNet50网络模型的基础上进行预训练，并引入焦点损失函数和Dropout正则化，构建的改进ResNet50模型对棉叶螨危害等级的平均识别准确率达到97.8％。

深度学习算法在苹果叶片病害检测方面的应用研究也取得了一定的进展，例如Jiang等通过引入GoogLeNet Inception结构和Rainbow串联，提出了一种新的基于深度CNN的苹果叶病检测模型，平均精度均值（mAP）可达78.80％，检测速度高达23.13 FPS；Luo等在ResNet网络基础上改变批量归一化和ReLU的位置，将ResBlocks中的3x3卷积替换为金字塔卷积，原始数据集的分类准确率可达到94.24％：李鑫然等提出一种融合特征金字塔网络和精确感兴趣区域池化的Faster R-CNN模型对多种苹果叶片病害进行识别，mAP达82.48％：陈聪等通过在基准模型ResNet-50的基础上加入通道注意力机制和并行卷积进行改进，提出了REP-ResNet模型，准确率提高2.41个百分点。但这些模型通常参数量大，限制了它们在移动设备上的应用。

本研究在轻量级网络EmcientNetV2-b0的基础上，引入Ghost Module的original分支替换第一层卷积结构，再将SE注意力机制替换为更高效的CA注意力机制，提出苹果叶片病害识别模型EGV2-CA，该模型可在保持较小体积的同时实现较高的识别准确率，易于移动设备搭载，便于非专业人士通过移动设备实时识别苹果叶片病害。

1材料与方法

1.1数据集

本研究所使用的苹果叶片病害数据集由西北农林科技大学制作，图像分别采自该校位于陕西省渭南市的白水苹果试验站、陕西省延安市的洛川苹果试验站和甘肃省庆阳市的庆城苹果试验站。为了确保数据集的丰富性和实用性，大部分图像在晴朗天气光照良好条件下获取，同时也在阴雨天气采集部分图像。该数据集包含苹果树生长期间常见的5种叶部病害：斑点落叶病、褐斑病、灰斑病、花叶病和锈病。病害图像示例见图1。