近日，機(jī)械與電子工程學(xué)院宋月鵬教授團(tuán)隊(duì)在《Frontiers in Plant Science》在線發(fā)表了題為“Construction and verification of machine vision algorithm model based on apple leaf disease images”的研究論文，宋月鵬教授、任龍龍講師為該論文的通訊作者，高昂博士生為該論文的第一作者。

全球大約有80多個國家規(guī)?；O果種植，但是隨著蘋果種植面積不斷擴(kuò)大，其所面臨的病蟲害也越來越嚴(yán)重。如果不加以防治，蘋果葉片病害對蘋果的生長發(fā)育和品質(zhì)有著嚴(yán)重的危害。但傳統(tǒng)的蘋果葉片病害檢測方法以無法滿足科學(xué)研究和生產(chǎn)的需要，高效快速對蘋果葉片病害識別判斷對提高蘋果品質(zhì)和推動蘋果產(chǎn)業(yè)健康發(fā)展有著重要的意義

因此，本文提出一種基于蘋果葉片病害機(jī)器視覺算法的模型（LALNet），該模型針對多種蘋果葉片病害設(shè)計(jì)了一種融合注意力機(jī)制的多分支蘋果葉片病害快速檢測神經(jīng)網(wǎng)絡(luò)分類模型，該模型在高效的蘋果葉片檢測堆積模型中采用多分支結(jié)構(gòu)和深度可分離結(jié)構(gòu)有效的提取蘋果葉片病害特征；在主干網(wǎng)中采用四層EALD模塊堆積，并在模型的最后一層融合SE注意力機(jī)制模塊以提高模型關(guān)注重要特征的注意力；在推理階段采用結(jié)構(gòu)重參數(shù)技術(shù)將分支中兩層深度可分離卷積合并輸出以提高模型的運(yùn)行速度。

研究結(jié)果表明，該模型的檢測平均精度為96.07%，平均召回率為96.05%，平均F1為96.06%，模型大小為6.61MB，單張圖片檢測速度為6.68ms，具有較好的穩(wěn)定性和魯棒性。

該方法能夠在滿足檢測精度的同時保證了其運(yùn)行速度，適合在嵌入式設(shè)備上使用為蘋果葉片病害防治精量噴藥提供支持。

該研究得到了山東省現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系果品產(chǎn)業(yè)創(chuàng)新團(tuán)隊(duì)專項(xiàng)、機(jī)械系統(tǒng)與振動國家重點(diǎn)實(shí)驗(yàn)室的支持。

論文鏈接：https://doi.org/10.3389/fpls.2023.1246065