英文论文（sci）解读复现【NO.9】基于注意机制的葡萄叶片病害检测

news2024/11/25 19:19:05

此前出了目标检测算法改进专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的 SCI论文，并对相应的SCI期刊进行介绍，帮助大家解答疑惑，助力科研论文投稿。解读的系列文章，本人会进行 创新点代码复现，有需要的朋友可关注私信我获取。

一、摘要

葡萄病害的防治是保证葡萄产量的关键措施。为了提高葡萄叶部病害检测的精度，本研究采用挤压-激励网络（SE），高效渠道关注（ECA）和卷积块注意力模块将CBAM注意机制引入到快速区域卷积神经网络中（R-CNN）、YOLOx和单次激发多盒检测器（SSD），增强重要特征，弱化无关特征，保证模型的实时性，提高模型的检测精度。研究表明，基于不同注意机制的Faster R-CNN、YOLOx和SSD模型通过略微增强参数，有效提高了模型的检测精度和运算速度。在三种模型中选择最优模型进行比较，结果表明，Faster R-CNN+SE的检测精度较低，YOLOx+ECA需要的参数最少，检测精度最高，SSD+SE显示出最佳的实时性能，检测精度相对较高。该研究解决了葡萄叶部病害检测难的问题，为自动化农业生产中葡萄病害及症状的分析提供了参考。

二、网络模型及核心创新点

1.挤压-激励网络（SE）

2.高效渠道关注（ECA）

3.卷积块注意力模块

三、数据集

本研究的数据集来自于采集的葡萄叶片病害图像，数据集中的样本为在真实田间环境复杂背景下拍摄的葡萄叶片病害图像。自建数据集包含 2300 张葡萄叶片病害图像，涵盖白粉病、炭疽病、褐斑病、灰霉病、黑痘病、霜霉病等 6种葡萄病害，如图 1所示。

四、实验效果（部分展示）

1)基于不同注意机制的Faster R-CNN模型实验结果分析整合 SE 注意机制的 Faster R-CNN 模型简称 Faster R-CNN+SE，整合ECA注意机制的Faster R-CNN模型简称 FasterR-CNN+ECA，整合CBAM 注意机制的 Faster R-CNN 模型简称Faster R-CNN+CBAM。在相同的实验环境下，采用Faster R-CNN+SE、Faster R-CNN+ECA、Faster R-CNN+CBAM、Faster R-CNN 对葡萄病害
数据集进行病害检测，实验结果如表3所示。

N+CBAM的参数略有提高，但在引入注意机制后，这三个模型的性能都优于原 Faster R-CNN。这是因为注意机制的引入可以帮助获取疾病图像中对疾病对象贡献率高的特征信息，提高检测精度，加快检测速度。

2) YOLOx模型基于不同注意机制的实验结果分析

引入 SE注意机制的 YOLOx模型简称YOLOx+SE;引入ECA注意机制的 YOLOx 模型简称YOLOx+ECA;引入CBAM注意机制的 YOLOx 模型简称 YOLOx+CBAM。在相同的实验环境下
YOLOx+SE、YOLOx+ECA、YOLOx+CBAM、YOLOx采用该方法对葡萄病害数据集进行病害检测，实验结果如表4所示。

虽然 YOLOx+SE 模型和 YOLOx+ECA 模型的参数略有提高，但引入注意机制的 3种YOLOx 模型的检测指标均高于原YOLOx 模型。这是因为注意机制的引入使得模型
提取的特征更加全面和丰富，模型更加关注疾病对象，从而提高了检测精度。

五、实验结论

1)针对Faster R-CNN模型检测精度较低的问题，本研究在原模型的基础上引入了 SE、ECA和CBAM三种注意机制。实验结果表明，Faster R- cnn +SE、Faster R- cnn +ECA、Faster R- cnn
+CBAM的P、R、F1 值均高于 Faster R- cnn。随着注意模块的增加，参数略有增加。在以上模型中，Faster R-CNN+SE 对葡萄病害数据集的检测效果最佳。
2)为克服 YOLOx 模型在不同环境下精度较低的缺陷，将SE、ECA和CBAM三种注意机制引入YOLOx模型。实验结果表明，引入注意机制后 YOLOx+SE 、 YOLOx+ECA 和YOLOx+CBAM的 P、R、F1、mAP和 FPS 值均高于 YOLOx，且略有升高。四种模型中YOLOx+ECA 的速度最快，性能最优。
3)避免疾病信息丢失或错误，将 SE、ECA和CBAM的注意机制引入到 SSD模型中。实验结果表明，SSD+SE、SSD+ECA和SSD+CBAM的P、R、F1、mAP和FPS值均高于SSD，且参数略有扩大。四种模型中，SSD+SE的检测速度显著快于其他三种模型，且其检测性能最好。
4)对 Faster R-CNN+SE、YOLOx+ECA 和 SSD+SE 3 种最优模型进行对比分析，结果表明 Faster R-CNN+SE 检测精度较低，且参数较多;YOLOx+ECA的参数最小，但检测精度最
高;SSD+SE的实时性最佳，检测精度较高。

注：论文原文出自 Grape leaf disease detection based on attention mechanisms本文仅用于学术分享，如有侵权，请联系后台作删文处理。