SG-PyCLBM：一种自校准注意力机制的深度学习框架，用于芒果和木瓜图像中的果实病害分类

《Remote Sensing Applications: Society and Environment》：SG-PyCLBM: Self-Calibrated Attention Enabled Deep Learning Framework for Fruit Disease Classification in Mango and Papaya Images

　　拉凯什·苏里亚万希（Rakesh Suryawanshi）| 凯拉斯·帕蒂尔（Kailas Patil）
计算机工程，维什瓦卡玛大学（Vishwakarma University），地址：印度马哈拉施特拉邦孔德瓦布德鲁克（Kondhwa Budruk）拉克希米纳加尔（Laxmi Nagar）2号、3号、4号调查区，浦那（Pune）- 411 048。

**摘要：**
水果疾病分类有助于预防和管理多种水果疾病，从而提高产量。已经设计了几种自动化分类方法用于疾病识别；然而，这些方法由于手动特征提取耗时较长、可解释性较低、结果存在偏差以及难以适应不同的疾病模式而面临诸多挑战。为此，本研究开发了一种自校准的、基于集合注意力的金字塔卷积光梯度提升机（SG-PyCLBM）。该算法在超参数调整和最优特征选择方面表现出强大的效率。此外，通过引入深度卷积生成对抗网络（DCGAN），可以生成少数类别的最优样本，从而减少过拟合问题。该模型利用自校准的集合注意力模块（SeCG）在处理高维特征时表现出更高的潜力。SG-PyCLBM方法在区分芒果和木瓜样本中的健康状态和疾病类型方面具有更高的可靠性，并能为不同类型的疾病提供相应的农药建议。通过多种指标评估，该模型在木瓜疾病数据库中的准确率为97.92%，F1分数为97.70%，精确度为98.36%，召回率为97.05%。

**引言：**
水果疾病会干扰植物的生长、果实的形成和开花过程，从而影响作物的质量和产量[1]、[2]。预防这些疾病在农业中至关重要，早期分类对于提供及时的护理措施尤为关键[3]。由于环境变化的加剧和全球人口的增长，农民面临诸多挑战[4]。水果疾病的识别和管理是全球性的重要课题，如果疾病未被及时发现，可能会造成巨大损失[5]、[6]。为了防止食源性疾病和经济损失，人们采用了多种分类方法，专业人员通常通过手动检查来识别感染[7]。然而，由于水果表面可能存在斑点、畸形、变色和病变，分类结果具有主观性。例如白粉病、炭疽病、褐腐病和柑橘溃疡病等水果疾病是导致大多数水果感染的主要原因，且难以识别[3]、[8]。在大多数情况下，这些症状肉眼不可见，一旦显现，感染可能已经广泛传播，使得预防措施效果大打折扣[9]、[10]。此外，手动分级水果疾病耗时且容易出错，导致产量降低，因此需要自动化系统[11]。随着计算机视觉技术的进步，自动化疾病分类系统的发展达到了顶峰[2]。这些系统能够提高效率和准确性，帮助农民快速评估水果的健康状况[8]、[10]。及时分类使农民能够采取预防措施，防止感染进一步扩散并提高产量[12]。已经采用了多种基于图像处理技术的疾病分类和分级方法。机器学习（ML）方法可以从水果的数字副本中提取关键属性，从而更深入地了解感染情况[13]。ML方法通过提供关于感染严重程度的准确信息及预防建议，降低了疾病管理的成本。然而，这些方法存在一些局限性，如效率较低、结果缺乏标准化，可能导致误判[14]、[15]。此外，ML方法在标注方面存在主观性，并可能导致疾病病变轮廓的信息丢失。大多数ML方法侧重于估计感染严重程度，而忽略了对于准确分类至关重要的纹理特征[16]。深度学习（DL）方法的进步提高了水果疾病的分类能力，在各种条件下都能提供更好的可视化效果[18]、[19]。卷积神经网络（CNN）利用深层结构精确捕捉变化，从而实现准确的严重程度评估。即使图像存在对比度差异，也能通过核函数获取水果的表面和颜色特征，获得有效结果[20]、[21]。尽管有这些优势，CNN架构仍需要大量数据进行训练。生成网络用于处理对抗样本，通过判别器块区分不同领域的特征[19]，但由于领域特征的封闭性和目标领域的高不一致性，负面影响会增加，影响整体泛化能力[22]、[23]。现有方法利用映射函数预测不同领域类别之间的差异[24]。领域适应技术用于减少领域间的差异，但由于水果疾病数据集的表达能力较低，难以预测不同领域之间的对齐[25]。参数选择不当会导致更高的损失，提取高级特征也具有挑战性，从而影响实际应用中的严重程度评估准确性。

为克服水果疾病分类的局限性，本研究提出了SG-PyCLBM方法，该方法结合了多种元素，能够提供准确的结果。SG-PyCLBM包含一个注意力模块，可解释多尺度表示，并提高对关键图像区域的关注能力。中值和高斯滤波器的应用有助于消除噪声和相关性，从而改善图像质量。DCGAN通过生成对抗样本解决了训练难题，StMDP方法有效捕捉像素变化和纹理。基于快速搜索的算法通过自适应机制调整SG-PyCLBM的超参数，并在特征选择方面带来更多优势。SG-PyCLBM模型的主要贡献如下：

- **自校准的集合注意力模块（SeCG）：** SeCG模块通过双线性插值增强对每个区域空间上下文的解释能力，有效处理变换。使用预定义的核函数管理高级语义特征，并通过构建上下文模块学习重要属性。同时，利用激励算子保留输入维度，聚合空间邻域属性。
- **自校准的、基于集合注意力的金字塔卷积光梯度提升机（SG-PyCLBM）：** SG-PyCLBM采用金字塔结构，包含多种卷积块，有效处理多级特征和不同结构。通过在不同层次学习像素关系，有效处理全局和局部关系。光梯度提升机（LightGBM）层基于叶节点增益进行准确分类，并利用多分支结构进行处理。基于快速搜索的算法进行参数调整，从而提高学习效率，提高准确性。

**手稿其余部分的结构如下：**
第2节回顾了现有方法的优点和局限性；第3节介绍了水果疾病分类的系统架构；第4节解释了SG-PyCLBM模型的工作流程；第5节展示了SG-PyCLBM的结果并进行比较讨论；第6节总结了研究结果并提出未来研究方向。

**文献综述：**
本节分析了传统水果疾病分类技术的概述，包括它们的优点和局限性。Yohannes Agegnehu Bezabh等人[1]开发了一种集成方法，该方法在芒果疾病分类方面取得了更好的效果。通过预处理程序（如图像压缩和调整大小）提高了训练样本的质量。

**水果疾病分类系统模型：**
水果疾病的识别和分类对于减少作物损失、提高水果质量和保障食品安全至关重要。早期检测可以减少广谱杀菌剂的使用，这对促进可持续性和减少经济影响非常重要。自动化检测模型通过消除手动检查和管理的需求，提高了效率。

**提出的SG-PyCLBM模型用于水果疾病分类：**
SG-PyCLBM训练所需的输入图像来自MangoFruitDDS和Papaya Diseases数据集。图像经过预处理，应用中值和高斯滤波器去除噪声并保留边缘信息，从而提高图像质量。处理后的图像输入DCGAN增强模型，该模型由生成器和判别器组成，用于生成更大的训练样本。

**结果与讨论：**
本节讨论了SG-PyCLBM在水果疾病分类中的重要性及其相关的农药建议，包括仿真细节和实验结果，并与多种传统方法进行了比较分析，证明了SG-PyCLBM的有效性。

**结论：**
本研究开发了SG-PyCLBM框架，用于有效分类芒果和木瓜果实中的疾病，通过整合多种组件实现这一目标。SeCG注意力模块通过映射到较小的特征空间，增强了模型处理多维结构的能力。预定义的核函数改进了上下文模块的构建，有助于学习高级语义。由于不平衡导致的过拟合问题得到了解决。

**作者贡献声明：**
拉凯什·苏里亚万希（Rakesh Suryawanshi）：数据整理；凯拉斯·帕蒂尔（Kailas Patil）：数据整理

**利益冲突声明：**
作者声明没有已知的可能影响本文工作的财务利益或个人关系。

**伦理批准：**
不适用

**数据可用性声明：**
本文的数据可从以下链接获取：
- Mango Fruit DDS数据集：https://www.kaggle.com/datasets/warcoder/mangofruitdds
- Papaya Diseases数据集：https://data.mendeley.com/datasets/yvcwypp8rz/1

**资助情况：**
本研究未接受任何特定资助。

**作者声明：**
作者声明没有已知的可能影响本文工作的财务利益或个人关系。

**致谢：**
我要非常感谢本手稿的合作者在研究规划和开发过程中提供的宝贵和建设性建议。