★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

首先，随着农业产业的不断发展，对于果实的质量和安全的要求也越来越高。然而，由于缺乏有效的技术手段，传统的病害识别方法往往难以满足这一要求。

其次，深度学习作为人工智能领域的重要技术之一，已经被广泛应用于图像分类、语音识别等多个领域，并取得了很好的成果。在果实病害识别方面，深度学习模型具有强大的非线性映射能力和特征提取能力，可以从复杂的数据集中提取出有用的特征信息。

最后，苹果作为一种重要的农产品，其生长状况和病害情况对于果实的品质和安全具有重要的影响。因此，开发一套高效的苹果病害识别系统，对于提高苹果生产的质量和安全具有重要的意义。

基于上述背景，我们设计了基于深度学习的苹果病害识别项目。我们将利用深度学习技术来训练一个神经网络模型，该模型将可以对苹果树上的各种病害进行鉴别和诊断。我们将使用大量的真实数据集来训练和优化模型，以达到最好的预测和诊断效果。具体来说，本项目分类准确率达到0.98461，性能优异，同时模型计算量，参数量较小，便于部署在边缘端。（written by 文心一言）

需要注意的是，由于数据集限制，本项目输入数据需要为病害数据，模型会预测出具体病害类别。正常叶片，无需模型进行 预测

• 采用前沿PVT v2作为分类网络
• 采用了数据增强的方法来提高准确度
• 采用了ssld预训练权重的方式提高模型精度

同时任务精度要求为：
Accuracy≥90%

此数据为苹果病害识别，共26377图片，共有五类，分别为Alternaria_Boltch、Brown_Spot、Grey_spot、Mosaic、Rust
训练数据文件结构：

将提供用于训练的图像数据和识别标签，文件夹结构：

|-- original/Alternaria_Boltch # 存放Alternaria_Boltch标签数据

|-- original/Brown_Spot # 存放Brown_Spot标签数据

|-- original/Grey_spot # 存放Grey_spot标签数据

|-- original/Mosaic # 存放Mosaic标签数据

|-- original/Rust # 存放Rust标签数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-p4FnbJZt-1681819789334)(main_files/main_12_0.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-15yiVTA1-1681819789336)(main_files/main_13_0.png)]

4.1.1 模型简介

骨干网络对计算机视觉下游任务的影响不言而喻，不仅对下游模型的性能影响很大，而且模型效率也极大地受此影响，但现有的大多骨干网络在真实应用中的效率并不理想，特别是缺乏针对 Intel CPU 平台所优化的骨干网络，我们测试了现有的主流轻量级模型，发现在 Intel CPU 平台上的效率并不理想，然而目前 Intel CPU 平台在工业界仍有大量使用场景，因此我们提出了 PP-LCNet 系列模型，PP-LCNetV2 是在 PP-LCNetV1 基础上所改进的。

4.1.2 模型细节

PP-LCNetV2 模型的网络整体结构如上图所示。PP-LCNetV2 模型是在 PP-LCNetV1 的基础上优化而来，主要使用重参数化策略组合了不同大小卷积核的深度卷积，并优化了点卷积、Shortcut等。

4.1.2.1 Rep 策略

卷积核的大小决定了卷积层感受野的大小，通过组合使用不同大小的卷积核，能够获取不同尺度的特征，因此 PPLCNetV2 在 Stage4、Stage5 中，在同一层组合使用 kernel size 分别为 5、3、1 的 DW 卷积，同时为了避免对模型效率的影响，使用重参数化（Re parameterization，Rep）策略对同层的 DW 卷积进行融合，如下图所示。

4.1.2.2 PW 卷积

深度可分离卷积通常由一层 DW 卷积和一层 PW 卷积组成，用以替换标准卷积，为了使深度可分离卷积具有更强的拟合能力，我们尝试使用两层 PW 卷积，同时为了控制模型效率不受影响，两层 PW 卷积设置为：第一个在通道维度对特征图压缩，第二个再通过放大还原特征图通道，如下图所示。通过实验发现，该策略能够显著提高模型性能，同时为了平衡对模型效率带来的影响，PPLCNetV2 仅在 Stage4 中使用了该策略。

4.1.2.3 Shortcut

残差结构（residual）自提出以来，被诸多模型广泛使用，但在轻量级卷积神经网络中，由于残差结构所带来的元素级（element-wise）加法操作，会对模型的速度造成影响，我们在 PP-LCNetV2 中，以 Stage 为单位实验了残差结构对模型的影响，发现残差结构的使用并非一定会带来性能的提高，因此 PPLCNetV2 仅在最后一个 Stage 中的使用了残差结构：在 Block 中增加 Shortcut，如下图所示。

4.1.2.4 激活函数

在目前的轻量级卷积神经网络中，ReLU、Hard-Swish 激活函数最为常用，虽然在模型性能方面，Hard-Swish 通常更为优秀，然而我们发现部分推理平台对于 Hard-Swish 激活函数的效率优化并不理想，因此为了兼顾通用性，PP-LCNetV2 默认使用了 ReLU 激活函数，并且我们测试发现，ReLU 激活函数对于较大模型的性能影响较小。

4.1.2.5 SE 模块

虽然 SE 模块能够显著提高模型性能，但其对模型速度的影响同样不可忽视，在 PP-LCNetV1 中，我们发现在模型中后部使用 SE 模块能够获得最大化的收益。在 PP-LCNetV2 的优化过程中，我们以 Stage 为单位对 SE 模块的位置做了进一步实验，并发现在 Stage4 中使用能够取得更好的平衡。

Column 1Column 2

下面给出不同方案的效果

需要注意的是，由于数据集限制，本项目输入数据需要为病害数据，模型会预测出具体病害类别。正常叶片，无需模型进行 预测

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-J004IgP6-1681819789344)(main_files/main_34_0.png)]

, score(s): [0.90], label_name(s): [‘Grey_spot’]

项目总结：

• 1.本项目可以使用基于ssld迁移学习的方式来提高精度
• 2.可以通过数据增强的方式来扩充数据集来提高精度
• 3.本项目使用前沿的超轻量网络PPLCNetv2并且达到了98%以上精度

改进方向：

• 进一步扩充数据增强方法
• 尝试半监督知识蒸馏方案

作者：姓名：李灿 个人主页

指导老师：姓名：刘建建

此文章为转载
原文链接