【人工智能】ResdenseNet：一种结合深度可分离卷积的轻量化密集型ResNet及其在植物早期病害分类中的应用

收稿日期：2024年3月29日 / 录用日期：2024年12月23日 / 在线发表日期：2025年1月11日

作者团队：

Jyoti Nagpal：The NorthCap University，印度古尔冈（Gurugram）

Lavika Goel：Malaviya National Institute of Technology (MNIT)，印度斋浦尔（Jaipur）

均为计算机科学与工程系。

研究动机

背景需求：
农业是印度经济的支柱，但植物病害（如锈病、黑穗病）导致全球约40%的作物损失。传统病害检测依赖人工，效率低且成本高。

技术挑战：
现有深度学习模型（如ResNet、DenseNet）参数量大、计算成本高，难以在资源受限的硬件（如移动设备）中部署，且依赖实验室环境下的数据集，泛化性差。

核心目标：
开发轻量级、高精度的模型ResdenseNet，结合密集连接、残差块和深度可分离卷积，减少参数量（仅0.72M），缩短训练时间（5983.54秒），同时提升真实农业场景中的病害分类准确率。

核心方法

模型架构

密集块（Dense Block）：替换标准卷积为深度可分离卷积（Depthwise + Pointwise卷积），减少参数量。每块含6层卷积，特征图通过通道拼接复用。

过渡块（Transition Block）：使用1×1卷积压缩通道数，结合平均池化降维，防止计算量爆炸。

残差块（Residual Block）：引入跨层连接，缓解梯度消失问题，提升深层网络训练稳定性。

全局平均池化：替代全连接层，进一步降低参数量。

关键优化

超参数选择：增长率（Growth Rate=64）、激活函数（ReLU）、密集块层数（6层）。

计算复杂度分析：深度可分离卷积显著减少计算量（公式见原文）。

实验结果

数据集

小麦&大麦数据集（自建）：7类（3种病害+健康），共3500张增强图像，采集自印度Rajasthan农业研究所的真实田间环境。

玉米数据集（公开）：4类病害，共4188张图像。

性能指标

小麦&大麦：准确率98.73%，F1-score 98.20%；

玉米：准确率96.08%，F1-score 95.87%。

参数量：0.72M（仅为ResNet-50的2.8%），训练时间5983秒（比DenseNet-169快67%）。

对比模型

ResNet-50/101、MobileNet-V1/V2、DenseNet-121/169。ResdenseNet在参数量、训练时间和准确率上全面领先。

对比算法

ResNet/DenseNet：参数量大（ResNet-50:25.6M），训练耗时长；

MobileNet：轻量但准确率较低（MobileNet-V2: 96.97% vs ResdenseNet: 98.73%）；

消融实验：移除残差块或深度可分离卷积后，准确率下降3-5%，验证其必要性。

改进空间

数据局限性

当前数据集规模较小（仅3500张），且病害类别有限（仅锈病、黑穗病）。未来需扩展至多病害（如细菌性病害、营养缺乏症）及多作物（如水稻、棉花）。

模型优化

实时监测：集成IoT设备实现田间实时病害检测。

复杂场景处理：增强模型对重叠病害、多角度光照变化的鲁棒性。

技术延伸

结合目标检测（如YOLO）定位病斑区域，提升可解释性。

创新贡献

首次将深度可分离卷积引入密集连接+残差结构，有效平衡了模型的效率与精度，同时构建了基于真实田间环境的数据集，为农业AI的实际应用提供了有力支持。此外，该方案还针对资源受限的场景，如边缘设备，设计了轻量级解决方案，进一步拓展了其适用范围和实用性。

总结

ResdenseNet通过架构创新显著降低计算成本，在早期植物病害分类中实现高精度与高效率，未来通过数据扩展和实时集成可进一步推动精准农业应用。