基于改進(jìn)MobileViT的葡萄葉部病害識(shí)別模型

摘要：本研究提出了一種優(yōu)化的葡萄葉部病害識(shí)別模型CD-MobileViT。首先，將MobileViT作為基礎(chǔ)網(wǎng)絡(luò)，在Layer1、Layer2后面均嵌入坐標(biāo)注意力模塊CA（Coordinate Attention）．以使網(wǎng)絡(luò)能更有效地捕捉不同位置的關(guān)鍵特征；其次，在網(wǎng)絡(luò)全連接層之后添加Dropout層，防止數(shù)據(jù)出現(xiàn)過(guò)擬合現(xiàn)象；最后，選用結(jié)合權(quán)重衰減的優(yōu)化器AdamW（Adam with Weight Decay Regularization），更好地控制模型復(fù)雜度并提高泛化能力。實(shí)驗(yàn)結(jié)果顯示，相較于MobileViT基礎(chǔ)網(wǎng)絡(luò)，改進(jìn)后的CD-MobileViT網(wǎng)絡(luò)在精確率、召回率、F1得分和準(zhǔn)確率方面分別提高了1.77、1.85、1.65、1.75個(gè)百分點(diǎn)，與其他幾種經(jīng)典網(wǎng)絡(luò)模型（InceptionV1、MobileNetV2、Efficient-NetBO、VGG-16）相比也有不同程度的提升（0．25 - 1.47個(gè)百分點(diǎn)），說(shuō)明本研究提出的模型在葡萄葉部病害識(shí)別上有良好的效果，未來(lái)可部署到移動(dòng)端使用，為葡萄葉部病害的準(zhǔn)確識(shí)別提供新的解決方案。

關(guān)鍵詞：葡萄葉部病害識(shí)別；MobileViT網(wǎng)絡(luò)；坐標(biāo)注意力；AdamW優(yōu)化器；Dropout層

中圖分類(lèi)號(hào)：S663.1： S126 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024） 10-0159-08

葡萄是一種重要的經(jīng)濟(jì)作物，葉部病害的發(fā)生嚴(yán)重影響其植株生長(zhǎng)及果實(shí)產(chǎn)量和質(zhì)量，因此，準(zhǔn)確高效地識(shí)別和分類(lèi)葡萄葉部病害并及時(shí)采取防治措施至關(guān)重要。傳統(tǒng)的葡萄葉部病害識(shí)別主要依賴于人工肉眼觀察，不僅耗時(shí)耗力，而且容易受主觀因素影響，識(shí)別準(zhǔn)確率不高”，。隨著計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)算法在多領(lǐng)域被廣泛應(yīng)用，特別是在圖像識(shí)別領(lǐng)域，例如醫(yī)學(xué)影像疾病檢測(cè)、機(jī)械故障圖像判別、化學(xué)結(jié)構(gòu)圖像識(shí)別等，已取得了不錯(cuò)的成績(jī)。與此同時(shí)，深度學(xué)習(xí)算法在植物病蟲(chóng)害識(shí)別領(lǐng)域也顯示出了顯著的應(yīng)用潛力，逐漸成為研究的熱點(diǎn)。Ullah等提出一種混合視覺(jué)模型AppViT，引入了卷積塊堆疊ViT模塊，并通過(guò)結(jié)合多頭注意力捕獲特征，對(duì)蘋(píng)果葉部病害識(shí)別的準(zhǔn)確率達(dá)到96. 38%。Wang等結(jié)合離線擴(kuò)展和遷移學(xué)習(xí)技術(shù)，對(duì)RegNet模型的每層參數(shù)進(jìn)行微調(diào)，使優(yōu)化后的模型在兩個(gè)數(shù)據(jù)集上的測(cè)試精度分別達(dá)到93.85%和99.23%。溫釗發(fā)等在ShuⅢeNetV2_0.5的基礎(chǔ)上，引入ECA注意力機(jī)制和SiLU激活函數(shù)進(jìn)行優(yōu)化，并利用Effi-cientNetBO進(jìn)行知識(shí)蒸餾指導(dǎo)，采用余弦退火衰減策略調(diào)整學(xué)習(xí)率，使優(yōu)化模型對(duì)玉米和蘋(píng)果11種病害的識(shí)別準(zhǔn)確率達(dá)到95.21%。劉佳明等提出一種輕量級(jí)網(wǎng)絡(luò)TB -MobileNetV2，該網(wǎng)絡(luò)結(jié)合了新型輕量化瓶頸層模塊陀螺塊和增強(qiáng)的紋理注意力機(jī)制，在番茄病害數(shù)據(jù)集上可獲得88.49%的識(shí)別準(zhǔn)確率。帖軍等提出了SK-EfficientNet模型，通過(guò)用SKNet替換EfficientNet的核心模塊MBConv中的SENet，增強(qiáng)了特征提取能力并優(yōu)化了參數(shù)，在PlantVⅢage數(shù)據(jù)集上平均準(zhǔn)確率99.64%。陳浪浪等通過(guò)結(jié)合坐標(biāo)注意力機(jī)制和采用遷移學(xué)習(xí)策略改進(jìn)DenseNet121模型，提出了一種水稻病蟲(chóng)害識(shí)別模型，實(shí)現(xiàn)了對(duì)8種常見(jiàn)水稻病蟲(chóng)害和健康植株的識(shí)別準(zhǔn)確率達(dá)到98.95%。陳曉等基于MobileViT網(wǎng)絡(luò)，通過(guò)融合局部和全局表征層、用1×1卷積層代替融合塊中的3×3卷積層、引入殘差結(jié)構(gòu)連接輸入與融合塊、替換激活函數(shù)為H-Swish進(jìn)行改進(jìn)，在番茄葉片病害數(shù)據(jù)集上獲得99.16%的識(shí)別準(zhǔn)確率。

深度學(xué)習(xí)算法在葡萄葉部病害檢測(cè)方面的應(yīng)用研究也取得了一定進(jìn)展，如：賈璐等提出一種MANet模型，該模型通過(guò)集成倒殘差模塊，引入SENet注意力機(jī)制，融合多尺度特征模塊，在自建葡萄病害數(shù)據(jù)集上的平均識(shí)別準(zhǔn)確率達(dá)到87.93%;何前等提出了一種優(yōu)化的AlexNet算法，通過(guò)增加池化層來(lái)壓縮特征，同時(shí)采用LeakyReLU激活函數(shù)，該改進(jìn)算法對(duì)葡萄葉部病害分類(lèi)的準(zhǔn)確率達(dá)到99.1%；Wang等以YOLOXS為主干網(wǎng)絡(luò)，集成FOCUS模塊，嵌入CBAM模塊，并在預(yù)測(cè)端引入雙殘差邊設(shè)計(jì)以防止網(wǎng)絡(luò)退化，構(gòu)建了GFCD-YOLOXS模型，其識(shí)別準(zhǔn)確率達(dá)到99.10%：Lu等利用Ghost網(wǎng)絡(luò)進(jìn)行卷積處理，通過(guò)線性操作生成特征圖，并集成多頭自注意機(jī)制Transformer編碼器，實(shí)現(xiàn)在葡萄葉片病害數(shù)據(jù)集上的準(zhǔn)確率達(dá)到98.14。但是這些模型在處理復(fù)雜的葡萄葉部病害圖像時(shí)，往往存在特征提取不充分、模型泛化能力弱等問(wèn)題，仍有待進(jìn)一步優(yōu)化。本研究通過(guò)改進(jìn)MobileViT網(wǎng)絡(luò)，提出一種葡萄葉部病害識(shí)別模型CD-MobileViT，旨在提高分類(lèi)準(zhǔn)確率、增強(qiáng)模型泛化能力，為后續(xù)部署在移動(dòng)端上供非專(zhuān)業(yè)人士實(shí)時(shí)識(shí)別葡萄葉部病害奠定基礎(chǔ)。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

本研究采用的葡萄葉部病害圖像數(shù)據(jù)集源自公開(kāi)數(shù)據(jù)集PlantVillage，該數(shù)據(jù)集由相關(guān)專(zhuān)業(yè)人員拍攝并整理，廣泛應(yīng)用于農(nóng)作物和其他植物病害的研究。本研究選用其中的黑腐?。℅rape_Black- rot）、埃斯卡?。℅rape- Esca）、葉枯?。℅rape_Leaf_blight）以及健康（Grape_healthy）4類(lèi)葉片圖像構(gòu)建數(shù)據(jù)集。各類(lèi)樣本示例見(jiàn)圖1。

1.2 數(shù)據(jù)增強(qiáng)處理

若數(shù)據(jù)集中的數(shù)據(jù)不平衡，可能會(huì)降低深度學(xué)習(xí)模型的識(shí)別準(zhǔn)確性。為減少過(guò)擬合風(fēng)險(xiǎn)并增強(qiáng)模型的泛化能力，本研究運(yùn)用數(shù)據(jù)增強(qiáng)技術(shù)來(lái)增加訓(xùn)練樣本數(shù)，即對(duì)原始圖像進(jìn)行翻轉(zhuǎn)、調(diào)整亮度、添加高斯噪聲和水平鏡像等預(yù)處理操作，使數(shù)據(jù)集圖像擴(kuò)充至23 699幅。以葡萄葉部黑腐病為例，不同數(shù)據(jù)處理效果展示如圖2。預(yù)處理后的數(shù)據(jù)集按70%、20%和10%的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，具體分類(lèi)樣本信息見(jiàn)表1。

1.3 CD-MobileViT網(wǎng)絡(luò)模型構(gòu)建

1.3.1 骨干網(wǎng)絡(luò)MobileViT概述

MobileViT模型是一種融合了卷積神經(jīng)網(wǎng)絡(luò)（CNN）與Trans-former技術(shù)的混合架構(gòu)，巧妙地結(jié)合了CNN的空間歸納偏置與視覺(jué)Transformer的全局特征處理優(yōu)勢(shì)，不僅確保了模型的輕量化，還大幅提高了分類(lèi)效率。該模型的核心由MV2模塊和Mobi-leViT模塊構(gòu)成，二者通過(guò)級(jí)聯(lián)連接，其中MV2模塊基于MobileNetV2模塊設(shè)計(jì)。MobileViT模型的具體結(jié)構(gòu)如圖3所示。

MV2模塊通過(guò)整合深度可分離卷積、倒殘差結(jié)構(gòu)和線性瓶頸技術(shù)，可有效降低模型參數(shù)規(guī)模，同時(shí)高效提取局部特征。該模塊首先通過(guò)1×1逐點(diǎn)卷積提升特征維度，增強(qiáng)細(xì)粒度：接著利用3x3深度卷積對(duì)各通道特征進(jìn)行提取，減少參數(shù)；最后再次通過(guò)1×1逐點(diǎn)卷積降低特征維度，縮減輸出尺寸。為避免低維特征信息損失，MV2模塊在最終的1×1逐點(diǎn)卷積后采用線性激活函數(shù)。此外，MV2模塊的殘差連接僅在步長(zhǎng)為1且輸入輸出維度一致時(shí)啟用，以防止特征丟失，而在步長(zhǎng)為2時(shí)則采用串聯(lián)連接進(jìn)行特征層的下采樣。

MobileViT模塊作為模型的核心創(chuàng)新，首先通過(guò)3x3卷積層捕捉局部空間信息，隨后利用1×1卷積層擴(kuò)展特征通道數(shù)，學(xué)習(xí)通道間的線性組合。接著，數(shù)據(jù)被映射至d維空間，并將特征圖分割為N個(gè)不重疊的圖像塊，形成序列；通過(guò)Transformer編碼器處理序列x。，捕捉圖像塊間的全局關(guān)系，實(shí)現(xiàn)全局信息的關(guān)注：為防止圖像塊間信息丟失，編碼后的圖像塊被還原至原始維度，得到特征XF。最終，通過(guò)融合模塊將局部與全局特征結(jié)合，輸出最終特征Y。

1.3.2 引入坐標(biāo)注意力機(jī)制

坐標(biāo)注意力機(jī)制（coordinate attention，CA）是一種輕量級(jí)且易于集成的注意力機(jī)制，于2021年被提出。該機(jī)制通過(guò)在高度和寬度兩個(gè)維度上對(duì)輸入特征進(jìn)行自適應(yīng)池化，使模型能夠獨(dú)立地關(guān)注輸入特征的不同空間維度，從而更精準(zhǔn)地捕捉關(guān)鍵信息。CA的簡(jiǎn)單高效主要依賴于1×1卷積和自適應(yīng)池化技術(shù)，使其能夠無(wú)縫集成到多種卷積神經(jīng)網(wǎng)絡(luò)中，提升性能。CA通過(guò)強(qiáng)調(diào)重要特征、削弱次要特征，顯著提升模型對(duì)輸入數(shù)據(jù)的表達(dá)能力，這對(duì)于處理復(fù)雜視覺(jué)任務(wù)至關(guān)重要，使模型能夠更全面地理解和整合來(lái)自不同空間區(qū)域的信息，從而增強(qiáng)對(duì)整體特征的理解能力。具體而言，CA首先從輸入數(shù)據(jù)中提取特征，然后計(jì)算注意力權(quán)重并應(yīng)用于特征圖，增強(qiáng)或抑制特定位置的特征。CA機(jī)制實(shí)現(xiàn)細(xì)節(jié)參見(jiàn)圖4，其中X Avg Pool表示一維水平全局平均池化，Y Avg Pool表示一維垂直全局平均池化。

1.3.3 選用AdamW優(yōu)化器

在深度學(xué)習(xí)領(lǐng)域，優(yōu)化器至關(guān)重要，其主要職責(zé)是尋找使損失函數(shù)最小化的最優(yōu)參數(shù)。這一目標(biāo)通過(guò)連續(xù)的參數(shù)更新迭代實(shí)現(xiàn)，旨在提高模型在特定數(shù)據(jù)集上的性能。優(yōu)化器主要分為兩類(lèi)：一類(lèi)是采用自適應(yīng)算法的Adam優(yōu)化器，另一類(lèi)是基于Momentum的SGD（隨機(jī)梯度下降）。SGD在每次參數(shù)更新時(shí)僅使用單個(gè)樣本或一小批樣本的梯度，因此具有高計(jì)算效率和低內(nèi)存需求，但可能陷入局部最優(yōu)，收斂速度較慢，需要更多迭代以達(dá)到最優(yōu)解。相比之下，Adam優(yōu)化器采用自適應(yīng)學(xué)習(xí)率算法，能夠針對(duì)每個(gè)參數(shù)的梯度動(dòng)態(tài)調(diào)整學(xué)習(xí)率，然而，這種自適應(yīng)調(diào)整可能導(dǎo)致對(duì)某些數(shù)據(jù)集或網(wǎng)絡(luò)結(jié)構(gòu)過(guò)擬合，從而影響模型性能。

為了應(yīng)對(duì)Adam優(yōu)化器可能引發(fā)的過(guò)擬合問(wèn)題，Loshchilov等在2017年提出了AdamW優(yōu)化器，通過(guò)改進(jìn)的權(quán)重衰減（weight decay）方法，解決了傳統(tǒng)Adam中權(quán)重衰減與學(xué)習(xí)率調(diào)整之間的關(guān)聯(lián)問(wèn)題。具體而言，AdamW在參數(shù)更新時(shí)獨(dú)立應(yīng)用權(quán)重衰減項(xiàng)，并將其與學(xué)習(xí)率的調(diào)整分開(kāi)處理，從而更精確地實(shí)施權(quán)重衰減。使用AdamW優(yōu)化器進(jìn)行模型訓(xùn)練，能有效管理模型的復(fù)雜度，降低過(guò)擬合的風(fēng)險(xiǎn)，并增強(qiáng)模型的穩(wěn)定性。

1.3.4 CD-MobileViT模型構(gòu)建

為了提高葡萄葉部病害識(shí)別和分類(lèi)的準(zhǔn)確率，本研究通過(guò)對(duì)MobileViT架構(gòu)的創(chuàng)新改進(jìn)，構(gòu)建了CD -MobileV-iT網(wǎng)絡(luò)模型。首先，在原始MobileViT網(wǎng)絡(luò)的Layer1和Layer2后均添加CA模塊，通過(guò)在高度和寬度兩個(gè)維度上對(duì)輸入特征進(jìn)行自適應(yīng)池化處理，使得模型能夠針對(duì)不同的空間維度獨(dú)立地聚焦關(guān)鍵特征，從而有助于更有效地捕捉重要信息，更好地識(shí)別和區(qū)分在視覺(jué)上相似的病害特征，提升分類(lèi)的準(zhǔn)確性。其次，為了進(jìn)一步防止模型在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合現(xiàn)象，CD-MobileViT網(wǎng)絡(luò)在結(jié)構(gòu)的全連接層之后加入Dropout層，通過(guò)在訓(xùn)練過(guò)程中隨機(jī)忽略一部分神經(jīng)元，有效減少模型對(duì)特定訓(xùn)練樣本的依賴，從而增強(qiáng)模型的泛化能力，提高模型面對(duì)新數(shù)據(jù)時(shí)的穩(wěn)定性以及整體的魯棒性。最后，選用AdamW優(yōu)化器訓(xùn)練模型，通過(guò)引入權(quán)重衰減來(lái)更有效地控制模型的復(fù)雜度，從而提高網(wǎng)絡(luò)訓(xùn)練效果并增強(qiáng)模型的泛化能力，以減少過(guò)擬合的風(fēng)險(xiǎn)，使模型能夠在保持高分類(lèi)準(zhǔn)確率的同時(shí)也具有更好的穩(wěn)定性和可靠性。CD-MobileViT網(wǎng)絡(luò)模型的詳細(xì)結(jié)構(gòu)如圖5所示。

1.4 實(shí)驗(yàn)環(huán)境

本研究采用操作系統(tǒng)Ubuntu18.04，CPU型號(hào)為14 vCPU Intel（R） Xeon（R） Gold 6330 CPU@2.00 GHz，GPU型號(hào)為NVIDIA GeForce RTX 3090（24 GB）+1，內(nèi)存46 GB，使用Python環(huán)境3.8，深度學(xué)習(xí)框架Pytorch 1.7.0，Cuda版本12.1，來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)搭建與模型訓(xùn)練。實(shí)驗(yàn)輸入圖像分辨率256×256，采用AdamW優(yōu)化器訓(xùn)練模型，學(xué)習(xí)率為0.000 1，Batch Size設(shè)置為64，并設(shè)置Epoch為30次。

1.5 評(píng)估指標(biāo)

為了全面評(píng)估模型的識(shí)別性能，采用分類(lèi)模型中常用的評(píng)價(jià)指標(biāo)：準(zhǔn)確率（accuracy，A）、精確率（precision，P）、召回率（recall，R）和綜合評(píng)價(jià)指標(biāo)F1分?jǐn)?shù)（F1-score，F(xiàn)1）。準(zhǔn)確率衡量的是所有預(yù)測(cè)正確的樣本數(shù)占總樣本數(shù)的比例：精確率關(guān)注在所有被模型預(yù)測(cè)為正的樣本中，實(shí)際為正的比例：召回率則是指在所有實(shí)際為正的樣本中，被正確預(yù)測(cè)為正的比例：F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，綜合考慮了精確率和召回率，以提供一個(gè)平衡的性能評(píng)估。各指標(biāo)計(jì)算方法見(jiàn)下式：

式中，TP表示實(shí)際為正且被預(yù)測(cè)為正的樣本數(shù)：FP表示實(shí)際為負(fù)但被預(yù)測(cè)為正的樣本數(shù)：FN表示實(shí)際為正但被預(yù)測(cè)為負(fù)的樣本數(shù)：TN表示實(shí)際為負(fù)且被預(yù)測(cè)為負(fù)的樣本數(shù)。

混淆矩陣（Confusion Matrix）是分類(lèi)問(wèn)題中用于評(píng)估模型性能的一種工具，通過(guò)表格展示模型預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽之間的關(guān)系。本研究中，混淆矩陣的x軸對(duì)應(yīng)于模型預(yù)測(cè)的病害類(lèi)別標(biāo)簽，y軸則對(duì)應(yīng)于實(shí)際的病害類(lèi)別標(biāo)簽：核心是對(duì)角線，用藍(lán)色突出表現(xiàn)，代表模型正確識(shí)別各類(lèi)病害樣本的數(shù)量，對(duì)角線上的藍(lán)色越深，數(shù)量越大，意味著模型在識(shí)別各類(lèi)病害時(shí)的準(zhǔn)確率越高。

2 結(jié)果與分析

2.1 消融實(shí)驗(yàn)

消融實(shí)驗(yàn)是通過(guò)逐步移除模型中的新引入組件并重新訓(xùn)練模型，來(lái)評(píng)估這些組件對(duì)模型整體性能的影響。實(shí)驗(yàn)結(jié)果（表2）顯示，在MobileViT模型中單獨(dú)引入CA模塊或Dropout模塊后，模型的4個(gè)評(píng)價(jià)指標(biāo)均有所提高：而同時(shí)引入兩個(gè)模塊的CD-MobileViT模型表現(xiàn)最佳，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)分別提高0.50 - 1.77、0．50 -1.85、0.50-1.65、0.50 - 1.75個(gè)百分點(diǎn)。表明CA模塊和Dropout模塊對(duì)模型性能的協(xié)同提升作用最好，驗(yàn)證了本研究所提出改進(jìn)措施的有效性。

2.2 AdamW優(yōu)化器對(duì)網(wǎng)絡(luò)性能的影響

為了選用適合的優(yōu)化器，本研究在保持網(wǎng)絡(luò)結(jié)構(gòu)不變的基礎(chǔ)上，對(duì)比分析了不同優(yōu)化器對(duì)模型性能的影響。由表3可見(jiàn)，使用AdamW優(yōu)化器訓(xùn)練模型的效果優(yōu)于傳統(tǒng)的Adam和SGD優(yōu)化器，準(zhǔn)確率分別提高0.60個(gè)和7.28個(gè)百分點(diǎn)，精確率分別提高0.61個(gè)和7.28個(gè)百分點(diǎn)，召回率分別提高0.54個(gè)和8.31個(gè)百分點(diǎn)，F(xiàn)1分?jǐn)?shù)分別提高0.59個(gè)和8.28個(gè)百分點(diǎn)。圖6展示了分別采用AdamW、SGD和Adam優(yōu)化器識(shí)別葡萄葉部病害的混淆矩陣，可以明顯看出采用AdamW優(yōu)化器的模型對(duì)葡萄葉部病害的識(shí)別效果更好。

2.3 CD-MobileViT模型性能的對(duì)比分析

為了全面評(píng)估和驗(yàn)證所提出的CD-MobileV-iT模型的性能，選取多個(gè)受到廣泛認(rèn)可的基礎(chǔ)網(wǎng)絡(luò)模型，包括MobileViT、InceptionV1、Mobile-NetV2、EfficientNetBO和VGG-16，在相同數(shù)據(jù)集上進(jìn)行訓(xùn)練后對(duì)比分析它們與CD - MobileViT模型的性能（表4）?？梢钥闯?，CD-MobileViT模型在測(cè)試集上的識(shí)別性能明顯優(yōu)于其他模型，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)分別達(dá)到99.11%、99.05%、99.15%、99.10%，與MobileViT、InceptionVI、MobileNetV2、EfficientNetBO、VGG-16相比，準(zhǔn)確率分別提高1.77、1.47、0.33、1.26、0.84個(gè)百分點(diǎn)，精確率分別提高1.85、1.32、0.25、1.22、0.77個(gè)百分點(diǎn)，召回率分別提高1.65、1.46、0.31、1.17、0.68個(gè)百分點(diǎn)，F(xiàn)1分?jǐn)?shù)分別提高1.75、1.39、0.27、1.19、0.75個(gè)百分點(diǎn)。

由各模型識(shí)別準(zhǔn)確率隨訓(xùn)練輪次的變化曲線（圖7）看出，所有模型在訓(xùn)練過(guò)程中的準(zhǔn)確率都呈現(xiàn)出上升趨勢(shì)并在5輪后趨于平穩(wěn)（除Incep-tionVI），以CD - MobileViT模型的識(shí)別準(zhǔn)確率較高且變化較平穩(wěn)，表明該模型用于葡萄葉部病害識(shí)別時(shí)具有明顯優(yōu)勢(shì)。

2.4 CD-MobileViT模型對(duì)葡萄葉部病害的識(shí)別表現(xiàn)

CD-MobileViT模型在葡萄葉部病害識(shí)別任務(wù)中的表現(xiàn)通過(guò)圖8的混淆矩陣得以直觀展示，可見(jiàn)，模型對(duì)4個(gè)類(lèi)別葡萄葉片的識(shí)別準(zhǔn)確率均較高。由圖9可以看出，訓(xùn)練5輪次后，模型的準(zhǔn)確率高且穩(wěn)定，損失率低且波動(dòng)很小，說(shuō)明模型性能穩(wěn)定。由圖10可以看出，模型可正確識(shí)別健康葉片（100%），對(duì)埃斯卡病、葉枯病、黑腐病的識(shí)別準(zhǔn)確率也較高，分別在98.77%、99. 07%、99.32%。綜合來(lái)看，本研究提出的CD - Mobile ViT模型在所構(gòu)建葡萄葉部病害分類(lèi)測(cè)試集上表現(xiàn)優(yōu)異且穩(wěn)定，充分證明了所采用的改進(jìn)方法在提高葡萄葉部病害識(shí)別準(zhǔn)確性和可靠性方面是有效的。

3 結(jié)論

針對(duì)葡萄葉部病害識(shí)別效果不佳的難題，本研究提出了一種基于MobileViT的優(yōu)化模型CD-MobileViT。該模型以MobileViT為基礎(chǔ)架構(gòu)，在網(wǎng)絡(luò)的第一和第二層后均嵌入CA模塊，以提升對(duì)各位置關(guān)鍵特征的捕捉能力：同時(shí)在全連接層后加入Dropout模塊，以防止過(guò)擬合，并采用帶有權(quán)重衰減的AdamW優(yōu)化器，以有效控制模型復(fù)雜性，提升其泛化性能。實(shí)驗(yàn)結(jié)果表明，CD-Mo-bileViT模型性能得到明顯提升，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)均高于MobileViT、InceptionV1、MobileNetV2、EfficientNetBO和VGG- 16模型，分別提高了0．33 -1.77、0．25 -1.85、o．31 -1.65、0.27 -1.75個(gè)百分點(diǎn)，分別達(dá)到99.11%、99. 05%、99.15%、99.10%。

總體來(lái)說(shuō)，本研究提出的CD-MobileViT模型不僅提高了葡萄葉部病害識(shí)別的準(zhǔn)確性，還增強(qiáng)了模型的泛化能力和魯棒性，在實(shí)際生產(chǎn)中具有更廣泛的應(yīng)用前景。今后將在更多改進(jìn)方向上進(jìn)行探索，比如收集更多復(fù)雜環(huán)境下的病害數(shù)據(jù)以豐富數(shù)據(jù)集，引入不同的注意力機(jī)制以探尋模型的改進(jìn)潛力，如何在特定任務(wù)場(chǎng)景中更好地應(yīng)用模型等。

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（32270022）