摘要
番茄叶片病害会严重影响番茄产量及品质，对番茄叶片病害进行及时有效识别有助于番茄的病害防治。传统的病害识别主要是通过工作人员肉眼判别，不但费时费力，而且也会由于人为知识面限制造成误判。随着深度学习和计算机视觉的发展，运用图像处理技术来辅助识别番茄叶片病害成为当前研究热点。近年来，卷积神经网络凭借着其出色的特征提取能力，推动着植物叶片病害识别领域的蓬勃发展。现有的经典卷积神经网络对于特定的番茄叶片病害细粒度数据集，不能充分发挥其作用，并且番茄叶片病害种类繁多，不同病害的局部特征具有相似性，模型训练时，存在特征提取难，识别精度低等问题。同时，随着网络的加深和加宽，模型参数也成倍递增，不利于在移动设备中使用。为了解决细粒度级别农作物病害识别精度低，大模型难以部署在移动端设备等问题，本文以番茄叶片病害细粒度图像作为研究对象，研究基于改进的卷积神经网络融合注意力机制的分类算法，实现高精度的番茄叶片病害细粒度图像分类。主要研究内容如下： （1）本文以番茄叶片病害图像为研究对象，研究番茄叶片病害细粒度识别模型。针对目前已有的网络对图像细粒度特征提取能力有限、不同病害的相似信息难以区分等问题，使用番茄叶片病害数据集，对比多种经典的基础网络识别效果，挑选出残差网络（ResNet）作为本文的基准网络，提出一种基于残差变体网络（MCResNet）的番茄叶片病害识别模型。MCResNet首先对残差模块中的特征流进行改进，然后将注意力机制模块嵌入至残差模块中构成SE-MCRNet网络，注意力模块保证细粒度特征充分提取，有利于扩大各类病害类间距离，减小类内之间的距离，可以较好的解决不同病害局部具有相似性等问题，使得模型达到较好的精度。研究结果表明，本文提出的SE-MCRNet能够有效提取番茄叶片病害的细粒度特征，提升网络的识别精度。在番茄叶片病害测试集中，SE-MCRNet的识别准确率为97.22%，比原版ResNet50提升1.54%。通过对比训练过程中的曲线图、混淆矩阵、可视化注意力特征图，本文提出的SE-MCRNet具有更快的收敛速度、更好的特征提取能力和更强的鲁棒性。 （2）针对病害识别性能较好的模型内存占用较大、推理时间长，难以部署到移动端设备的问题，本文提出一种KD-CA-MNet轻量模型用于部署到移动端设备上来识别番茄叶片病害。首先以轻量网络MobileNetV2作为基准网络，将卷积注意力模块（ConvolutionalBlockAttentionModule，CBAM）加入到MobileNet中。考虑到位置信息对番茄叶片的细粒度病害特征提取较重要，相同病害类型在叶片上的分布信息具有相似性，而CBAM只关注通道和全局空间信息，忽略特征的位置信息，因此在CBAM的基础上提出坐标注意力机制得到CA-MNet模型。蒸馏学习在不增加训练样本、不改变网络参数的情况下能够有效提升轻量网络的精度，因此本文最后使用蒸馏学习技术，将研究内容（1）中的SE-MCRNet作为教师网络，指导CA-MNet学习，得到最终的KD-CA-MNet模型。研究结果表明，在番茄叶片病害细粒度数据集上，KD-CA-Mnet识别准确率达到95.04%，模型参数为3.95M。KD-CA-MNet相比原生MobileNetv2，识别准确率提升4.76%，相比于SE-MCRNet，模型参数减少到之前的七分之一，最后将KD-CA-MNet模型部署到安卓手机上，对番茄叶片图像进行病害识别。 综上所述，本文提出的基于残差网络改进的SE-MCRNet模型能够有效提升番茄叶片病害的识别精度；将SE-MCRNet模型作为教师网络指导CA-MNet模型进行蒸馏学习，得到KD-CA-MNet网络模型，能够实现在移动端设备上的部署与检测，具有一定的理论研究意义和实践价值。
NETL