【人工智能】用于作物病害识别的双分支协同学习网络

《Frontiers In Plant Science》（植物科学前沿）顶刊，2023年2月10日发表。

作者团队来自河南科技学院信息工程学院、大连海事大学、北京邮电大学、北京科技大学等。

动机

农作物病害严重影响作物质量、产量和粮食安全，传统人工监测方法效率低且精度不足。现有基于CNN的方法存在以下问题：

• 小尺度卷积核可能丢失粗粒度特征，大尺度卷积核易忽略细粒度特征；
• 病害图像存在类型多样、斑块分布不规则、样本不均衡等挑战；
• 现有方法难以同时利用全局和局部特征，导致识别性能受限。

因此，作者提出DBCLNet，通过双分支协作学习和特征级联设计，结合不同尺度卷积核与注意力机制，提升多类别病害识别性能。

核心方法

1. 双分支协作模块（DBCM）

• 分支设计：
  • 上分支：3×3卷积提取细粒度特征（局部细节）；
  • 下分支：7×7卷积提取粗粒度特征（全局纹理）。
• 通道注意力机制：
  • 上分支采用最大池化（保留纹理信息）；
  • 下分支采用平均池化（保留背景信息）。
• 特征融合：通过级联（Concatenate）将浅层特征与双分支特征结合。

2. 特征级联模块（FCM）

• 堆叠6个DBCM模块，中间层重复次数更多（如4次），两侧减少（如2次），避免深层特征丢失。

3. 焦点损失函数（Focal Loss）

• 解决PlantVillage数据集类别不均衡问题，参数设为α=2、γ=0.25，减少多数类权重，增强少数类关注。

实验结果

数据集：PlantVillage（54,304张图像，14类作物38种病害），通过数据增强扩充至87,867张，按8:1:1划分训练集、验证集和测试集。

评价指标：准确率（Acc）、精确率（Pre）、召回率（Rec）、F1分数（Fscore）。

性能对比：

• DBCLNet在38类病害识别中达到 Acc=99.89%、Pre=99.97%、Rec=99.67%、Fscore=99.79%，优于12种对比模型（包括AlexNet、VGGNet、ResNet50、EfficientNet等）。
• 模型复杂度：FLOPs为275.51M，参数量36MB，训练时间2.8小时，优于多数对比模型（如ViT的FLOPs为6.72G，训练时间49.3小时）。

对比算法

传统网络：AlexNet、VGGNet、GoogLeNet（受限于网络深度，性能较差）；

轻量网络：MobileNet、ShuffleNet（参数量低但精度不足）；

深度网络：ResNet50、DenseNet1/2（依赖残差连接，性能较优但复杂度高）；

注意力网络：EfficientNet、ViT、CoAtNet（引入注意力机制，性能接近DBCLNet但仍有差距）。

改进空间

特定作物识别不足：玉米和马铃薯病害因特征复杂，识别精度相对较低（但仍优于其他方法）；

模型复杂度：网络结构较深，参数量高于轻量模型（如ShuffleNet）；

数据依赖：依赖数据增强缓解样本不均衡，未来需探索更鲁棒的特征提取方法；

实际应用：未在真实农田复杂环境（如光照变化、遮挡）中验证泛化性。

总结

DBCLNet通过双分支协作和特征级联设计，显著提升了多类别农作物病害的识别性能，并在模型复杂度与精度间取得平衡。未来可进一步优化特征提取策略，并扩展至更复杂场景验证实用性。

手写笔记