CropHealthNet：利用深度可分离卷积神经网络检测马铃薯病害

《Journal of Crop Health》：CropHealthNet: Potato Disease Detection Using Depthwise Separable Convolutional Neural Networks

植物疾病威胁农业安全，传统诊断效率低。本研究提出轻量级CNN模型CropHealthNet，通过深度可分离卷积降低计算成本，结合并行结构和多级特征融合，实现高精度（99.3%-99.5%）分类。采用SMOTE平衡PlantVillage数据集，模型参数仅47万，GFLOPs 0.59，适用于实时农业检测。

　　

摘要

植物疾病是威胁农业部门粮食安全、作物产量、收获和可持续生产的主要因素之一。在这种情况下，早期诊断疾病对于提高农业生产力 and 减少作物损失至关重要。在现代农业实践中，基于机器学习的方法为检测和分类植物疾病提供了有效且创新的解决方案。这些现代和创新的方法通常能够利用大规模图像数据集实现高准确率。特别是深度学习算法在模拟疾病传播动态和检测早期疾病症状方面取得了显著成功。在这项研究中，提出了一种基于卷积神经网络（CNN）的轻量级并行深度学习模型 CropHealthNet，用于分类马铃薯叶部疾病。该模型采用了特殊的深度可分离卷积层来降低 CNN 的计算成本。CropHealthNet 是一个低参数模型，适用于实时操作，能够以高准确率识别特定疾病的模式。通过其并行结构和不同的通道数量，CropHealthNet 实现了深入和全面的特征提取。来自每个并行结构的特征在多个层次上进行组合，增强了模型检测抽象和深层模式的能力。此外，该模型的计算复杂度极低，仅有 0.47 万个参数和 0.59 GFLOPs，因此与现有方法相比具有较高的效率。使用 PlantVillage 马铃薯数据集评估了该模型的有效性。由于 PlantVillage 马铃薯数据集存在数据分布不平衡的问题，通过合成少数类过采样技术（SMOTE）对每个类别的数据数量进行了均衡处理，以评估模型在数据不平衡情况下的性能。该模型在不平衡和平衡数据集上的测试中分别达到了 99.30% 和 99.50% 的准确率。实验结果表明，尽管存在数据不平衡，该模型仍能很好地泛化，并正确分类马铃薯叶片上的疾病。因此，该模型在农业实践中表现出色，能够在现实世界条件下检测植物疾病。