Integrated SKNet/Mobilenet V3 Classification of Mango Leaf Diseases and Infestations
-
摘要:目的 针对芒果叶片病虫害缺少数据集和识别准确率低的问题，筛选构建芒果叶片病虫害分类模型，以提高芒果叶病虫害分类准确率。方法 提出使用去噪扩散模型进行病虫害数据增强，同时联合SKNet与MobilenetV3模型的芒果叶片病虫害分类方法。首先使用去噪扩散模型对数据集进行扩充，再采用多尺度结构相似性指标对生成的病虫害图像与拍摄的病虫害图像之间的相似程度进行评估，接着对DDIM与DCGAN网络训练和生成效果进行比对。在MobilenetV3模型中，将SE注意力模块替换为SKNet模块进行构建网络模型。结果 使用DDIM生成的所有类型的病虫害图像与拍摄的病虫害图像的MS-SSIM指标均大于0.63，且都高于DCGAN。相较于其他注意力模块，联合SKNet与MobilenetV3的分类效果最佳，在98%以上。对添加CA、CBAM、ECA注意力模块进行平滑类激活图可视化，对比其他注意力模块，使用SKNet注意力分布区域更为集中在病虫害叶片上。结论 该方法在病虫害叶片检测上具有良好的应用前景，能提升病虫害识别效率与精度，减少检测成本，同时可应用于移动式或者嵌入式设备。
-
关键词:
- 芒果叶片 /
- 扩散概率模型 /
- Mobilenet /
- Selective Kernel Networks
Abstract:Objective Leaf diseases and infestations on mango trees were classified for database establishment and precision identification by combining the Mobilenet V3 model with Selective Kernel Network (SKNet).Method To improve the accuracy of disease and infestation classification on mango plants, data augmentation was firstly conducted. A denoising diffusion model was applied to expand the dataset followed by using a multi-scale structural similarity index to examine the similarity between the virtually generated and the camera-captured images of the diseases or infestations. Then, the training and generation effects of DDIM and DCGAN networks were compared. In the Mobilenet V3 model, the SE attention module was replaced with SKNet to construct the final platform.Results The MS-SSIM index of all types of DDIM images was greater than 0.63, which was higher than that of DCGAN. The classification accuracy of 98% delivered by merging SKNet with Mobilenet V3 was the best performance. Furthermore, combination of the two programs afforded more focus on the diseased leaves than did other smooth grade activation visualization by adding CA, CBAM, or ECA.Conclusion The newly developed classification method by integrating SKNet and Mobilenet V3 performed satisfactorily in distinguishing various diseased or infested mango leaves. The application not only significantly improved the efficiency and accuracy of disease identification but also reduced the epidemic monitoring costs by easily incorporating it with mobile or embedded devices.-
Keywords:
- Mango leaf /
- diffusion probability model /
- Mobilenet /
- Selective Kernel Networks
-
0. 引言
【研究意义】生态化学计量学是综合生物学、化学和物理学的基本原理, 利用生态过程中多重化学元素的平衡关系, 主要研究C、N、P等元素在生态系统过程中耦合关系的一种综合方法，是探究元素比例如何影响有机体和生态系统的有效工具[1-3]。营养元素将生态学中不同尺度的物种、种群、群落、生态系统连接成一个整体[4-5]。红萍Azolla，又名满江红，是蕨类和鱼腥藻的共生体，具有生物固氮和富钾等特性。作为湿地生态系统的重要植物，红萍在稻－萍、稻－萍－鱼、稻－萍－鸭等农业模式中发挥重要作用[6-7]。利用生态化学计量学研究红萍的C、N、P等主要养分含量，对红萍的生长及红萍种质资源的保存具有十分重要的意义。【前人研究进展】生态化学计量学起源于水生生态系统，但是对水生生态系统研究的深度和广度都有待进一步加强[8]。红萍具有很强的生物固氮作用，其年生物固氮量可达243~402 kg·hm-2；磷是红萍的重要影响因子之一，缺磷会抑制红萍的生长，同时会影响其蛋白质和核酸的合成[9]；而碳是构成有机物的骨架元素，也可以说碳是构成生物有机体的最基本元素[10]。【本研究切入点】生态化学计量学在湿地生态系统上的研究大多针对土壤[11]，对湿地生态系统植物的研究十分匮乏。利用生态化学计量学的原理。采用网室土壤水培养和温室营养液培养两种培养方式，研究不同生长环境下红萍的生物量及其C、N、P生态化学计量特征。【拟解决的关键问题】探明不同环境对红萍生长及其生态化学计量特征的影响，从而为红萍栽培及红萍种质资源保存提供理论指导。
1. 材料与方法
1.1 供试材料
选用国家红萍种质圃(福州)保存的8个红萍品种(表 1)。
表 1 试验材料Table 1. Test Materials种名
Species学名
Scientific name品系
Lines资源类型
Resource tipe来源
Source蕨状满江红 A. filiculoides lamarck 1007 野生资源 国家红萍种质圃(福州) 墨西哥满江红 A. Mexicana Schlecht et cham 2007 野生资源 国家红萍种质圃(福州) 卡州满江红 A. caroliniana Willd 3006 野生资源 国家红萍种质圃(福州) 小叶满江红 A. microphylla Kaulf. 4021 野生资源 国家红萍种质圃(福州) 覆瓦状满江红 A. imbricate(Roxb.) Nakais 542 野生资源 国家红萍种质圃(福州) 羽叶满江红 A. pinnata R.Brown 7016 野生资源 国家红萍种质圃(福州) 回交萍 A. microphylla Kaulf. MH4 育成品种 国家红萍种质圃(福州) 杂交萍 A. microphylla ‘Minyu No.1’ 4087 育成品种 国家红萍种质圃(福州) 1.2 试验方法
选择生长健壮的8个红萍品种于夏季(8月)进行网室土壤水培养处理和温室营养液培养处理，均采用直径34 cm、高15 cm的瓷盆，每个瓷盆(单个品种)放萍量20 g，3次重复。网室土壤水培养处理的红萍置于盆中进行土培，水层保持在土面上4~6 cm，土壤选用经高压消毒的中性或微酸性壤土。土壤pH值5.4，含有机质29.7 g·kg-1、全氮1.51 g·kg-1、全磷2.47 g·kg-1、全钾21.6 g·kg-1、碱解氮88.1 mg·kg-1、有效磷349.7 mg·kg-1、速效钾532.0 mg·kg-1。网室喷灌条件良好，试验期间早、晚各喷水1次。
温室营养液培养中每盆营养液的配方如表 2所示。温室为空调玻璃房，室内温度控制在20~25℃，相对湿度保持在85%~90%。试验期间，晴天利用自然光照，阴雨天气补充人工光照，保证试验期间每天光照12 h。
表 2 温室营养液配方Table 2. Formulas of culture solutions序号
Serial number药品
Reagent浓度
Concentration/(g·L-1)1 CaSO4·2H2O 0.17 2 MgSO4·7H2O 0.41 3 KH2PO4 0.04 4 KCl 0.02 5 EDTA-Na2 0.004 6 FeSO4·7H2O 0.003 7 H3BO3 0.0015 8 Na2MoO4·2H2O 0.0019 9 NaNO3 0.06 1.3 指标测定
培养30 d时测定红萍产量并取样。所有样品带回实验室，105℃杀青30 min，70℃烘干至恒量，粉碎，过40目筛，装袋储于真空干燥器中，备测。样品有机碳采用重铬酸钾-外加热法测定，全氮采用凯氏定氮法测定，全磷采用硝酸-高氯酸消煮-钼锑抗分光光度法测定。
1.4 数据分析
采用Excel 2003与Origin 8软件进行数据处理，采用SPSS 21.0中的one-way ANOVA进行单因素方差检验，利用独立样本t检验分析不同处理的差异显著性。
2. 结果与分析
2.1 不同生长环境下不同红萍品种的生物量
基于红萍含水量较高，其生物量的测定均为湿重，每一品种每一重复取样一瓷盆。由表 3看出，在网室土壤水培养条件下，8个红萍品种的生物量变化范围为207.35~389.35 g，其中杂交萍的生物量最高，羽叶满江红的生物量最低。除小叶满江红与羽叶满江红的生物量无显著差异(P>0.05)外，其他品种与羽叶满江红的生物量差异均达到了极显著水平(P < 0.01)。
表 3 不同生长环境下各品种红萍的生物量Table 3. Biomass of Azolla varieties under different culture settings(单位/g) 品种
Species网室土壤水培养
Net soil water culture温室营养液培养
Greenhouse nutrient culture蕨状满江红 A. filiculoides lamarck 369.86±30.08 Aa(Aa) 103.32±4.19 Aa(Bb) 墨西哥满江红 A. Mexicana Schlecht et cham 330.97±37.80 ABab(Aa) 107.66±5.42 Aa(Bb) 卡州满江红 A. caroliniana Willd 345.54±43.09 ABa(Aa) 108.45±2.66 Aa(Ab) 小叶满江红 A. microphylla Kaulf. 264.84±74.53 BCbc(Aa) 88.39±1.40 BCb(Ab) 覆瓦状满江红 A. imbricate(Roxb.) Nakais 339.16±29.03 ABa(Aa) 47.21±4.04 Dc(Bb) 羽叶满江红 A. pinnata R.Brown 207.35±17.46 Cc(Aa) 98.74±8.92 ABa(Bb) 回交萍 A. microphylla Kaulf. 372.55±27.97 Aa(Aa) 87.44±5.98 BCb(Bb) 杂交萍A. microphylla ‘Minyu No.1’ 389.35±12.66 Aa(Aa) 80.47±7.63 Cb(Bb) 注：(1)表中数据为1瓷盆(放萍量20 g)的生物量；(2)表中数据均为平均值±标准差，数据后括号外无相同大、小写字母者分别表示同一处理下不同品种间差异达极显著水平(P＜0.01)和显著水平(P＜0.05)；(3)数据后括号内无相同大、小写字母者分别表示同一品种不同处理间差异达极显著水平(P＜0.01)和显著水平(P＜0.05)。表 4、5同。
Note: The data in the table are mean±standard deviation. The upper and lower case letters outside the parenthesis are not the same, indicating that the difference between different varieties under the same treatment is extremely significant (P < 0.01) and significant level (P < 0.05); the upper and lower case letters in the brackets after the data are not the same, indicating that the difference between the different treatments of the same variety is extremely significant (P < 0.01) and significant (P < 0.05).The same as table 4, 5.在温室营养液培养条件下，8个红萍品种的生物量变化范围为47.21~108.45 g，卡州满江红的生物量最高，覆瓦状满江红的生物量最低，7个品种的生物量均极显著高于覆瓦状满江红(P < 0.01)。
对比两种培养条件可以发现：网室土壤水培养条件下，8个红萍品种的生物量均显著高于温室营养液培养(P < 0.05)。除卡州满江红、小叶满江红两种培养方式达到显著差异(P < 0.05)外，其他品种两种培养方式的生物量差异均达到极显著水平(P < 0.01)。8个红萍品种均表现为在网室土壤水培养条件下生长更好。
2.2 不同生长环境下红萍的C、N、P含量
由表 4看出，网室土壤水培养条件下，8个红萍品种C含量变化范围为316.0~471.0 mg·g-1，其中：墨西哥满江红的C含量最高，杂交萍的C含量最低，二者均与其他品种差异达到极显著水平(P＜0.01)。N含量的变化范围为36.0~44.1 mg·g-1，蕨状满江红的N含量最高，羽叶满江红的N含量最低，二者差异达到显著水平(P < 0.05)，但二者与其他品种均无显著性差异。P含量的变化范围为4.5~7.8 mg·g-1，杂交萍的P含量最高，羽叶满江红的P含量最低，二者差异达到显著水平(P < 0.05)，杂交萍与墨西哥满江红、羽叶满江红差异均达到显著水平(P < 0.05)，卡州满江红、小叶满江红、杂交萍均与羽叶满江红差异达到显著水平(P < 0.05)。
表 4 不同生长环境下红萍的C、N、P含量特征Table 4. C, N and P contents of Azolla plants under different culture settings[单位/(mg·g-1)] 品种
Species网室土壤水培养 Net soil water culture 温室营养液培养 Greenhouse nutrient culture C N P C N P 蕨状满江红 A. filiculoides lamarck 376.0±4.4 Bb(Aa) 44.1±1.0 Aa(Aa) 6.6±1.5 Aabc(Aa) 330.3±6.0 ABa(Ba) 34.2±0.4 ABab(Bb) 6.5±1.2 Gg(Aa) 墨西哥满江红 A. Mexicana Schlecht et cham 471.0±45.2 Aa(Aa) 38.7±4.7 Aab(Aa) 5.1±0.2 Abc(Bb) 255.7±60.1 Bb(Bb) 33.1±3.8 ABb(Ab) 10.1±1.7 EFef(Aa) 卡州满江红 A. caroliniana Willd 401.0±14.8 Bb(Aa) 40.7±1.9 Aab(Aa) 7.6±2.4 Aab(Bb) 262.7±13.3 ABb(Ab) 35.9±0.2 Aa(Ab) 13.6±0.7 CDd(Aa) 小叶满江红 A. microphylla Kaulf. 410.0±11.3 Bb(Aa) 39.3±6.5 Aab(Aa) 7.4±1.2 Aab(Bb) 286.3±47.6 ABab(Ab) 32.8±1.5 ABb(Ab) 9.0±0.7 FGf(Aa) 覆瓦状满江红 A. imbricate(Roxb.) Nakais 404.7±7.0 Bb(Aa) 39.1±3.4 Aab(Aa) 5.6±0.6 Aabc(Bb) 337.7±22.8 Aa(Bb) 26.0±0.4 Cc(Ab) 14.6±0.3 BCc(Aa) 羽叶满江红 A. pinnata R.Brown 407.7±6.5 Bb(Aa) 36.0±0.5 Ab(Aa) 4.5±0.6 Ac(Bb) 321.7±3.8 ABa(Bb) 33.8±0.2 ABab(Bb) 11.8±0.6 DEe(Aa) 回交萍 A. microphylla Kaulf. 405.0±10.4 Bb(Aa) 40.5±1.2 Aab(Aa) 5.9±1.2 Aabc(Bb) 293.7±9.1 ABab(Bb) 36.1±0.7 Aa(Bb) 19.5±0.7 Aa(Aa) 杂交萍 A. microphylla ‘Minyu No.1’ 316.0±8.7 Cc(Aa) 40.0±2.8 Aab(Aa) 7.8±1.2 Aa(Bb) 309.7±7.4 ABab(Aa) 31.7±0.5 ABb(Bb) 16.7±1.4 Bb(Aa) 在温室营养液培养条件下，其C、N、P含量变化范围分别为255.7~337.7 mg·g-1、26.0~36.1 mg·g-1和6.5~19.5 mg·g-1。覆瓦状满江红的C含量最高，墨西哥满江红的C含量最低，二者的C含量差异达到极显著水平(P < 0.01)，覆瓦状满江红、蕨状满江红、羽叶满江红的C含量均与墨西哥满江红和卡州满江红达到显著性差异(P < 0.05)。回交萍的N含量最高，覆瓦状满江红的N含量最低，回交萍和卡州满江红与墨西哥满江红、小叶满江红、杂交萍的N含量差异均达到显著水平(P < 0.05)，覆瓦状满江红的N含量与其他7个品种差异均达到极显著水平(P < 0.01)。P含量品种间的差异较大，回交萍的P含量最高，与其他7个品种P含量的差异均达到极显著水平(P < 0.05)；蕨状满江红的P含量最低，也与其他7个品种P含量的差异均达到极显著水平(P < 0.01)。
通过比较两种培养方式可以发现，8个红萍品种的C含量与N含量网室土壤水培养处理均高于温室营养液培养处理。就C含量而言，杂交萍两种培养方式处理无显著性差异，其他品种两种培养方式处理间差异均达到显著(P < 0.05)或极显著(P < 0.01)水平。就N含量而言，8个红萍品种的N含量网室土壤水培养处理均显著(P < 0.05)或极显著(P < 0.01)高于温室营养液培养处理。P含量则相反，除了蕨状满江红的P含量两种培养方式处理无显著性差异(P＞0.05)外，其他品种均是网室土壤水培养显著低于温室营养液培养(P < 0.05)。
2.3 不同生长环境下红萍的生态化学计量特征
由表 5看出，在网室土壤水培养条件下，8个红萍品种的C:N、C:P与N:P变化范围分别为7.93~12.38、41.05~91.72和5.16~8.08。墨西哥满江红的C:N值最大，与蕨状满江红、杂交萍差异达到极显著水平(P < 0.01)。墨西哥满江红和羽叶满江红的C:P值最大，均与蕨状满江红、卡州满江红、小叶满江红、杂交萍达到极显著差异水平(P < 0.01)。羽叶满江红的N:P值最大，与卡州满江红、小叶满江红、杂交萍的差异均达到显著水平(P < 0.05)。
表 5 不同生长环境下红萍的生态化学计量特征Table 5. Ecological stoichiometry of Azolla plants under different culture settings[单位/(mg·g-1)] 品种
Species网室土壤水培养 Net soil water culture 温室营养液培养 Greenhouse nutrient culture C:N C:P N:P C:N C:P N:P 蕨状满江红 A. filiculoides lamarck 8.53±0.08 Bbc(Bb) 59.12±14.41 Bbc(Aa) 6.93±1.64 Aabc(Aa) 9.66±0.17 Bb(Aa) 51.50±8.62 Aa(Aa) 5.33±0.91 Aa(Aa) 墨西哥满江红 A. Mexicana Schlecht et cham 12.38±2.68 Aa(Aa) 91.72±10.52 Aa(Aa) 7.53±0.94 Aab(Aa) 7.90±2.56 Bbc(Aa) 26.29±9.27 BCbc(Bb) 3.36±0.83 Bbc(Bb) 卡州满江红 A. caroliniana Willd 9.87±0.75 ABabc(Aa) 56.43±17.08 Bbc(Aa) 5.65±1.35 Abc(Aa) 7.32±0.41 Bc(Bb) 19.34±1.15 Ccd(Aa) 2.64±0.14 BCcd(Aa) 小叶满江红 A. microphylla Kaulf. 10.67±2.14 ABab(Aa) 56.87±10.90 Bbc(Aa) 5.34±0.16 Abc(Aa) 8.79±1.85 Bbc(Aa) 31.83±2.90 Bb(Ab) 3.68±0.47 Bb(Bb) 覆瓦状满江红 A. imbricate(Roxb.) Nakais 10.41±0.98 ABabc(Ab) 73.34±8.52 ABab(Aa) 7.07±0.89 Aabc(Aa) 13.00±1.02 Aa(Aa) 23.08±1.52 BCbcd(Bb) 1.78±0.03 Cd(Bb) 羽叶满江红 A. pinnata R.Brown 11.32±0.18 ABa(Aa) 91.56±11.97 Aa(Aa) 8.08±0.96 Aa(Aa) 9.52±0.12 Bbc(Bb) 27.22±1.13 BCbc(Ab) 2.86±0.14 BCbc(Bb) 回交萍 A. microphylla Kaulf. 10.00±0.25 ABabc(Aa) 70.49±16.41 ABab(Aa) 7.07±1.77 Aabc(Aa) 8.13±0.11 Bbc(Bb) 15.08±1.01 Cd(Ab) 1.86±0.10 Cd(Ab) 杂交萍 A. microphylla ‘Minyu No.1’ 7.93±0.64 Bc(Ab) 41.05±6.21 Bc(Aa) 5.16±0.46 Ac(Aa) 9.76±0.87 Bb(Aa) 18.61±1.21 Ccd(Bb) 1.91±0.14 Cd(Bb) 在温室营养液培养条件下，8个红萍品种的C:N、C:P与N:P变化范围分别为7.32~13.00、15.08~51.50和1.78~5.33。覆瓦状满江红的C:N值最大，与其他品种的差异均达到极显著水平(P < 0.01)。蕨状满江红的C:P和N:P值最大，与其他品种的差异均达到极显著水平(P < 0.01)。
比较两种培养方式的生态化学计量特征，结果表明，参试红萍品种的C:P和N:P值均有较大差异，除了蕨状满江红和卡州满江红的C:P和N:P无显著性差异外，其他品种均表现为网室土壤水培养显著高于温室营养液培养，而C:N的差异较小。
3. 讨论与结论
生物量是植物生产力的重要指标，本研究中网室土壤水培养条件下，8个红萍品种的生物量均显著高于温室营养液培养。这可能与温室营养液处理的培养环境容易受到杂藻侵染有关，在试验中发现，温室营养液培养处理有滋生杂藻。
碳(C)、氮(N)、磷(P)是植物生长不可或缺的三大营养元素[12]。C是有机体重要的组成部分，相当于骨架[10]。N和P无论对于生命有机体还是整个生态系统，都是必不可少的，并且是陆地生态系统和水生生态系统常见的限制元素[13-14]。本研究中，红萍N含量和P含量均高于全球植物N、P含量的平均值(18.3、1.42 mg·g-1)[15]，高于中国陆生植物N、P含量的平均值(18.6、1.21 mg·g-1)[16]，也高于中国湿地植物N、P含量的平均值(16.07、1.85 mg·g-1)[17]。两种培养环境相比较，网室土壤水培养条件下红萍的N含量更高，可能与土壤中微生物具有较强的固氮能力有关；而温室营养液培养条件下红萍的P含量更高，可能是受到环境的影响，温室环境的温度更加稳定适宜，有利于红萍对P的吸收。
C:P和C:N反映了植物吸收同化C的能力，即养分利用效率[11]。N:P决定了群落的结构和功能。红萍的C:P与N:P网室土壤水培养处理均高于温室营养液培养处理，这与网室土壤培养条件下红萍的P含量低于温室营养液培养条件下红萍的P含量有关。网室土壤水培养条件下红萍P含量仅为4.5~7.8 mg·g-1，而温室营养液培养则为6.5~19.5 mg·g-1。本研究中，两种培养方式下红萍的N:P分别为5.16~8.08和1.78~5.33，均低于中国753种陆生植物N:P的平均值(14.4)[16]，也低于中国东部南北样带654种植物N:P的平均值(13.5)[18]。除此之外，本研究中红萍N:P < 14，说明其生长受N的限制[19]，所以，红萍的生长和培养需要更多地关注N元素，网室土壤水培养应该增施氮肥，温室营养液培养的营养液中应该保证N元素供应充足。
本研究结果表明，网室土壤水培养条件下，8个红萍品种的C、N含量均高于温室营养液培养；除了蕨状满江红的P含量两种培养方式相差不大外，其他品种均是网室土壤水培养低于温室营养液培养。在网室土壤水培养条件下，红萍的C:P与N:P均高于温室营养液培养，而C:N二者差异较小。
-
![]()
图 3 融合SKNet的bneck模型结构
⊕：元素相加运算；⊗：元素相乘运算。
Figure 3. SKNet-integrated bneck model
⊕: Element-wise addition; ⊗: element-wise multiplication.
![]()
图 7 迭代次数0~80下数据增强前后损失值与准确率
Figure 7. Loss and accuracy before and after data augmentation over Epochs 0–80
![]()
图 8 原始图像集（上）、DCGAN数据增强（中）、DDIM数据增强（下）分类混淆矩阵
Figure 8. Classification confusion matrix on original (top), DCGAN data augmented (middle), and DDIM data augmented (bottom) image sets
![]()
图 9 不同注意力模块的MobilenetV3模型平滑类激活图
Figure 9. Smooth Grad-CAM of Mobilenet V3 model introduced with different attention modules
表 1 MobilenetV3模型结构
Table 1 Structure of Mobilenet V3
输入尺寸
Input shape操作算子
Operation扩展尺寸
Expand size输出通道
Output channelSE模块
SE module激活函数
Activation function步长
Stride2242 conv2d,3×3 — 16 — HS 2 1122×16 bneck,3×3 16 16 √ RE 2 562×16 bneck,3×3 72 24 — RE 2 282×24 bneck,3×3 88 24 — RE 1 282×24 bneck,5×5 96 40 √ HS 2 142×40 bneck,5×5 240 40 √ HS 1 142×40 bneck,5×5 240 40 √ HS 1 142×40 bneck,5×5 120 48 √ HS 1 142×48 bneck,5×5 144 48 √ HS 1 142×48 bneck,5×5 288 96 √ HS 2 72×96 bneck,5×5 576 96 √ HS 1 72×96 bneck,5×5 576 96 √ HS 1 72×96 conv2d,1×1 — 576 √ HS 1 72×576 pool,7×7 — — — — 1 12×576 conv2d1×1,NBN — 1280 — HS 1 12× 1024 conv2d1×1,NBN — 7 — — 1 conv2d—二维卷积；bneck—瓶颈模块；pool—池化层；NBN—不使用批量归一化；HS—硬切线激活函数；RE—修正线性单元；√—使用SE模块。
conv2d: 2D convolution; bneck: bottleneck module; pool: pooling layer; NBN: no batch normalization; HS: hard swish activation function; RE: ReLU (rectified linear unit); √: SE module applied.
下载: 导出CSV
表 2 图片生成前后数据量比较
Table 2 Data volumes before and after image generation
类型
Type原始图数量
Original dataset增强后图像数量
Augmented dataset炭疽病
Colletotrichum gloeosporioides320 1800 细菌性角斑病
Xanthomonas campestris pv. mangiferaeindicae324 1800 切叶象甲 Myllocerus viridanus 320 1800 枯萎病 Fusarium oxysporum 320 1800 瘿蚊 Erosomyia mangiferae 544 1800 白粉病 Oidium mangiferae 320 1800 煤污病 Capnodium mangiferae 320 1800
下载: 导出CSV
表 3 DDIM与DCGAN网络模型训练指标对比
Table 3 Network model training metrics of DDIM and DCGAN
指标 Index DDIM DCGAN 模型大小 Model size/MB 117 89 训练时间 Training time /h 48 36 收敛速度(训练轮次) Convergence speed (epochs) 19 57 训练中损失函数的标准偏差 Standard deviation 0.05 0.15 总耗时 Total time/s 392.6 457.2
下载: 导出CSV
表 4 生成的病虫害图像与拍摄的病虫害图像MS-SSIM值
Table 4 MS-SSIM values on virtually generated and camera-captured images of diseased leaves
图像类型 Image type DDIM DCGAN 炭疽病 Colletotrichum gloeosporioides 0.6312 0.5992 细菌性角斑病
Xanthomonas campestris pv. mangiferaeindicae0.7298 0.6912 切叶象甲 Myllocerus viridanus 0.6754 0.6413 枯萎病 Fusarium oxysporum 0.7123 0.6805 瘿蚊 Erosomyia mangiferae 0.7459 0.6990 白粉病 Oidium mangiferae 0.7211 0.6853 煤污病 Capnodium mangiferae 0.6671 0.6396
下载: 导出CSV
表 5 引入注意力模块的MobilenetV3模型试验对比
Table 5 Experimental results on Mobilenet V3 model introduced with attention modules
算法
Algorithm准确率
Accuracy/%参数量
Params/M乘加运算数
MACs/GMobilenetV3(SE) 97.24 2.54 0.06 MobilenetV3+CA 95.75 2.18 0.06 MobilenetV3+CBAM 97.69 2.59 0.09 MobilenetV3+ECA 97.51 2.08 0.06 MobilenetV3+SKNet 98.21 2.58 0.06
下载: 导出CSV
-
[1] 杨芝霓. 芒果主要采后病害的病原鉴定及炭疽病的生物防治[D]. 南宁: 广西大学. YANG Z N. Pathogen identification of mango post havest disease and biological control of anthracnose[D]. Nanning: Guangxi University. (in Chinese)
[2] 秦丰, 刘东霞, 孙炳达, 等. 基于图像处理技术的四种苜蓿叶部病害的识别 [J]. 中国农业大学学报, 2016, 21(10):65−75. QIN F, LIU D X, SUN B D, et al. Recognition of four different alfalfa leaf diseases based on image processing technology [J]. Journal of China Agricultural University, 2016, 21(10): 65−75. (in Chinese)
[3] 柴阿丽, 李宝聚, 石延霞, 等. 基于计算机视觉技术的番茄叶部病害识别 [J]. 园艺学报, 2010, 37(9):1423−1430. CHAI A L, LI B J, SHI Y X, et al. Recognition of tomato foliage disease based on computer vision technology [J]. Acta Horticulturae Sinica, 2010, 37(9): 1423−1430. (in Chinese)
[4] SHI B Z, ZHOU X L, QIN Z K, et al. Corn ear quality recognition based on DCGAN data enhancement and transfer learning[C]//The 4th International Conference on Electronics, Communications and Control Engineering. Seoul Republic of Korea. ACM, 2021.
[5] AZIZI S, KORNBLITH S, SAHARIA C, et al. Synthetic data from diffusion models improves imagenet classification [J]. arXiv preprint arXiv:2304.08466, 2023.
[6] 哈马友吉, 任万春, 张秤, 等. 基于轻量级网络MobileNet V2的二极管玻壳缺陷识别 [J]. 传感器与微系统, 2022, 41(4):153−155,160. HAMA Y J, REN W C, ZHANG C, et al. Defect recognition of diode glass shells based on lightweight network MobileNet V2 [J]. Transducer and Microsystem Technologies, 2022, 41(4): 153−155,160. (in Chinese)
[7] 王志强, 于雪莹, 杨晓婧, 等. 基于WGAN和MCA-MobileNet的番茄叶片病害识别 [J]. 农业机械学报, 2023, 54(5):244−252. WANG Z Q, YU X Y, YANG X J, et al. Tomato leaf diseases recognition based on WGAN and MCA-MobileNet [J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(5): 244−252. (in Chinese)
[8] LI X, WANG W H, HU X L, et al. Selective kernel networks[J]. IEEE, 2020. DOI: 10.1109/CVPR.2019.00060.
[9] AHMED S I, IBRAHIM M, NADIM M, et al. MangoLeafBD: A comprehensive image dataset to classify diseased and healthy mango leaves [J]. Data in Brief, 2023, 47: 108941. DOI: 10.1016/j.dib.2023.108941
[10] ZHANG Q S, TAO M L, CHEN Y X. gDDIM: Generalized denoising diffusion implicit models [J]. arXiv preprint arXiv: 2206.05564v1, 2022.
[11] 闫志浩, 周长兵, 李小翠. 生成扩散模型研究综述 [J]. 计算机科学, 2024, 51(1):273−283. YAN Z H, ZHOU C B, LI X C. Survey on generative diffusion model [J]. Computer Science, 2024, 51(1): 273−283. (in Chinese)
[12] WANG Z, SIMONCELLI E P, BOVIK A C. Multiscale structural similarity for image quality assessment[C]//The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003. Pacific Grove, CA, USA. IEEE, 2003: 1398-1402.
[13] HOWARD A G, ZHU M L, CHEN B, et al. MobileNets: Efficient convolutional neural networks for mobile vision applications [J]. arXiv preprint arXiv:1704.04861, 2017.
[14] SANDLER M, HOWARD A, ZHU M L, et al. MobileNetV2: inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. June 18-23, 2018. Salt Lake City, UT. IEEE, 2018: 4510-4520.
[15] HOWARD A, SANDLER M, CHEN B, et al. Searching for MobileNetV3[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV). October 27-November 2, 2019. Seoul, Korea (South). IEEE, 2019: 1314-1324.
[16] 刘勇国, 高攀, 兰荻, 等. ECA-SKNet: 玉米单倍体种子的卷积神经网络识别模型 [J]. 电子科技大学学报, 2023, 52(6):866−871. LIU Y G, GAO P, LAN D, et al. ECA-SKNet: Convolutional neural network identification model for corn haploid seeds [J]. Journal of University of Electronic Science and Technology of China, 2023, 52(6): 866−871. (in Chinese)
[17] 何翔. 基于DCGANs的半片光伏组件电致发光图像增强技术 [J]. 应用光学, 2023, 44(2):314−322. DOI: 10.5768/JAO202344.0202003 HE X. Electroluminescence image enhancement technology of half-cut photovoltaic module based on DCGANs [J]. Journal of Applied Optics, 2023, 44(2): 314−322. (in Chinese) DOI: 10.5768/JAO202344.0202003
[18] HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 20-25, 2021. Nashville, TN, USA. IEEE, 2021: 13713−13722.
[19] WANG Q L, WU B G, ZHU P F, et al. ECA-net: Efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 13-19, 2020. Seattle, WA, USA. IEEE, 2020: 11534-11542.
[20] WOO S, PARK J, LEE J Y, et al. CBAM: convolutional block attention module[M]//Computer Vision – ECCV 2018. Cham: Springer International Publishing, 2018: 3-19.
计量
- 文章访问数: 195
- HTML全文浏览量: 75
- PDF下载量: 50
