SAAEffNet：一种基于合成增强注意力机制的EffNet模型，用于芒果病害分类

芒果病害智能诊断模型研究

　　

摘要

农业对全球粮食安全和经济稳定至关重要。技术进步可以显著提高生产力和可持续性。芒果是世界上最受珍视的水果之一，具有巨大的商业价值和营养价值。然而，其种植受到多种疾病的威胁，如链格孢病（导致叶片出现暗斑）、炭疽病（形成黑色凹陷斑点）、黑霉病（特征为烟灰色真菌生长）、茎端腐烂病（从茎端开始腐烂）以及健康状态。这些疾病会降低果实品质和产量，造成巨大的经济损失。人工诊断具有主观性、耗时且需要专业知识，因此不适用于大规模应用。人工智能通过实现自动、准确的疾病识别提供了一种变革性的解决方案。在深度学习领域，传统的模型（如卷积神经网络CNN）的感知范围有限，难以处理长距离依赖关系；而视觉变换器则对数据需求量大且计算复杂。上述两种方法都未能充分关注复杂农业环境中的疾病特异性特征。为了解决这些问题，我们提出了SAAEffNet，这是一种基于合成增强和注意力机制的EfficientNet深度学习模型，用于分类芒果疾病。该模型从一个精心策划的数据集开始，并利用CycleGAN生成高保真的合成图像以增加数据多样性。在之前的预训练模型EfficientNetB3中，我们整合了卷积块注意力模块（CBAM）来细化诸如暗斑、凹陷斑点、烟灰色真菌生长等特征。该模型采用自适应调度和提前停止策略进行训练。我们的模型表现出卓越的泛化能力，成为自动诊断芒果疾病的强大工具。该模型经过严格训练和验证，使用了包含患病和健康芒果图像的全面数据集，确保了其在准确检测和诊断芒果健康状况方面的有效性。测试结果清楚地展示了模型的卓越性能：准确率达到了98.40%，精确率为98.40%，召回率为98.40%，F1分数为98.39%，且损失仅为1%。