采用改进的EfficientNet识别苹果叶片病害

S24; 该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计 DEFL(DenseNetl21+EfficientNet with focal loss and label smoothing)模型.首先,该模型以并行的EfficientNet-B0网络和DenseNetl21网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注.经测试,所提模型的识别准确率为99.13％,平均精度均值为98.47％.消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点.对...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 18; pp. 201 - 210
Main Authors 王瑞鹏, 陈锋军, 朱学岩, 张新伟
Format Journal Article
LanguageChinese
Published 智慧林业研究中心,北京 100083 01.09.2023
林业装备与自动化国家林业局重点实验室,北京 100083%北京林业大学工学院,北京 100083
林木资源高效生产全国重点实验室,北京 100083
城乡生态环境北京实验室,北京 100083%北京林业大学工学院,北京 100083
北京林业大学工学院,北京 100083
林木资源高效生产全国重点实验室,北京 100083%北京林业大学工学院,北京 100083
Subjects
病害
disease
EfficientNet
苹果叶片
apple leaf
图像识别
DenseNet121
image recognition
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202306140

Cover

More Information
Summary:S24; 该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计 DEFL(DenseNetl21+EfficientNet with focal loss and label smoothing)模型.首先,该模型以并行的EfficientNet-B0网络和DenseNetl21网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注.经测试,所提模型的识别准确率为99.13％,平均精度均值为98.47％.消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点.对比试验结果表明,DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、6.4、7.71 以及 8.91 个百分点,模型规模分别小 18.73、7.7、12.2、83.62、69.6 以及 60.09 MB.Grad-CAM(gradient-weighted class activation mapping)热力图可视化结果表明所提模型重点关注了叶片病变区域.UMAP(uniform manifold approximation and projection)特征降维可视化结果表明所提模型提取的特征更具区分度.实际应用验证取得了97.73％的总体准确率以及95.82％的平均精度均值.综上,该研究提出的DEFL模型能够为苹果病害防治提供有效参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202306140