深度学习在苹果叶病诊断中的应用：与卷积神经网络和Transformer的比较研究

《Scientific Reports》：Deep learning for apple leaf disease diagnosis: a comparative study with convolutional neural networks and transformers

　　

摘要

植物疾病对全球粮食安全构成了重大威胁，显著降低了农业产量。因此，及时诊断植物疾病有助于防止粮食损失并维护经济稳定。本研究探讨了使用八种卷积神经网络（Convolutional Neural Networks）和两种视觉变换器（Vision Transformers）来诊断苹果叶病的方法。每个模型的特征提取层都进行了修改，加入了DropBlock层，同时保留了来自ImageNet数据集的预训练权重。使用Plant Pathology 2021数据集中的图像对模型进行了微调，以实现多标签分类，目标包括五种疾病类型和一个健康标签。进行了三项实验来评估模型在测试集上的性能。首先，使用ResNet50模型来确定最佳的Dropout和DropBlock概率；其次，将这些参数应用于所有模型中，以识别性能最佳的模型；最后，使用二十三种群体优化算法（Swarm Optimization Algorithms）来优化分类器阈值，从而提高准确率和F1分数。实验结果表明，DropBlock概率为0.05和Dropout概率为0.2时可以获得更好的效果。在所有模型中，SwinV2T的准确率为90.7%，而SwinV2S的F1分数最高，达到91.7%，略优于ConvNeXtT和ConvNeXtS架构。这些结果证明了DropBlock正则化方法和优化分类器阈值的有效性，凸显了现代架构和优化算法相较于旧版本模型的优越性能。这些发现表明，这类网络在准确识别和诊断苹果叶病方面具有巨大潜力。