基于改进ConvNeXt的苹果叶片病害分类算法

摘要

针对传统苹果叶片病害分类方法精准性差的问题，本文提出一种基于改进ConvNeXt的苹果叶片分类算法CALDNet （ConvNeXt apple leaf disease enhance network）。CALDNet设计3223结构的网络对模型结构进行调整，同时引入跳跃连接、位置编码以增强模型对空间的捕捉能力，提高训练过程中的稳定性；引入空间金字塔池化（spatial pyramid pooling, SPP）以捕捉不同尺度上的空间特征，增强模型对不同大小病斑的适应能力；在ConvNeXtblock的基础上，设计G-ConvNeXtblock,引入Gabor滤波器作为卷积核，对深度卷积进行改进，更好地捕捉图像中的纹理信息；为了提高模型对小范围苹果叶片病害的识别能力，设计一种增强型的通道和空间注意力机制（enhanced convolutional block attention module, enhanced CBAM）。实验以6种常见苹果叶片病害（黑星病、黑腐病、褐斑病、花叶病、锈病、灰斑病）及健康叶片为主要研究对象，并与主流算法进行对比。实验结果表明，CALDNet模型识别叶片病害的精确率、召回率以及F₁值达到97.58%、97.54%和97.54%,相较于原始ConvNeXt模型，分别提高4.63、4.56和4.60个百分点，参数量下降23.97%,解决了传统苹果叶片病害分类精准性差的问题。

关键词

苹果叶片病害 / ConvNeXt / CNN / 注意力机制 / 深度学习