基于深度卷积与注意力机制融合的DH-GarlicNet:一种精准的大蒜损伤智能识别方法

《Frontiers in Plant Science》:DH-GarlicNet: a precise identification method for garlic damage based on the improved residual network

【字体: 大 中 小 】 时间:2026年03月19日 来源:Frontiers in Plant Science 4.8

编辑推荐:

  本研究针对传统大蒜损伤检测方法效率低、精度差的问题,开展基于改进残差网络的智能识别研究。研究人员提出DH-GarlicNet模型,该模型整合了深度可分离卷积(DWConv)、SE注意力模块和SiLU激活函数,在损伤大蒜检测任务中达到98.95%的准确率,较原始模型提升7.37%,损失降低0.2324。该研究为农产品质量自动化检测提供了精准高效的解决方案,具有广阔的应用前景。

  
大蒜,这种全球饮食文化中的重要作物,以其丰富的营养和药用价值著称。然而,其“脆弱”的特性使其在生产、储存、运输和销售等各个环节都极易受到外部损伤或细菌污染,这不仅影响其品质、安全性和市场价值,受损大蒜还可能成为病菌滋生的温床,对消费者食品安全构成潜在威胁。因此,确保大蒜的完好并实现对其损伤状况的准确、高效检测,是保障食品安全、提升农产品质量的关键一环。
目前,传统的大蒜损伤检测主要依赖人工目检和机械传感器。人工检测费时费力,受环境、经验影响大,结果不稳定且难以满足大规模生产需求。机械方法(如压力、温度、视觉传感器或电子鼻)则往往在复杂多变的损伤类型面前表现出灵敏度与精度不足,难以准确识别细微损伤。随着人工智能技术的飞速发展,特别是深度学习在计算机视觉领域的突破,基于图像识别的农产品损伤检测方法逐渐成为研究热点。深度卷积神经网络(CNN)能够从图像中自动提取特征,学习复杂模式,实现对损伤的自动识别与分类,相比传统方法具有更强的表达能力和适应性。尽管已有研究探索了CNN在大蒜分类、热胁迫检测、根切自动化及蒜瓣方向识别等方面的应用,但针对特定损伤(如机械损伤、储运损伤)的智能检测技术研究仍相对有限,尚未形成系统化的检测方法。
为了解决上述实际农业生产中对大蒜损伤检测的需求,并克服该领域缺乏高效准确检测方法的技术瓶颈,一项题为“DH-GarlicNet: a precise identification method for garlic damage based on the improved residual network”的研究在《Frontiers in Plant Science》上发表。该研究创新性地采用“先分割,后分类”的两阶段技术框架,并提出了一种名为DH-GarlicNet的深度学习方法。
研究者们主要运用了图像处理与深度学习模型构建相结合的技术路径。首先,在数据准备阶段,采集了中国山东省菏泽市种植的大蒜样本图像,并根据实际生产需求将其分为完整、局部损伤和根部损伤三类。利用基于阈值的图像分割技术处理原始图像,分离出单个大蒜目标。随后,对图像进行数据增强,并将数据集按6:2:2的比例划分为训练集、验证集和测试集。在模型构建与验证阶段,研究以ResNet34为基础架构,通过引入深度可分离卷积(Depthwise Convolution, DWConv)、SE注意力模块(Squeeze-and-Excitation block)和SiLU激活函数(Sigmoid Linear Unit)对其进行改进,构建了DH-GarlicNet模型。模型训练采用随机梯度下降(SGD)优化器,并在特定硬件工作站上完成。最后,通过准确性(Acc)、精确率(P)、召回率(R)、F1分数(F1)和损失值(Loss)等评估指标,并结合混淆矩阵、损失曲线和梯度加权类激活映射(Grad-CAM)可视化技术,系统评估了模型性能,并与多种经典算法进行了对比。
3.1 Results of the ablation experiment
通过系统性的消融实验,验证了DH-GarlicNet中各关键组件的有效性。以仅使用标准卷积和ReLU激活函数的ResNet34为基线模型,其测试集准确率为91.58%。单独引入DWConv后,准确率提升至96.84%,证明了深度卷积在保留空间细节特征方面的优势。在DWConv基础上加入SE模块,准确率进一步提高到97.89%。最终,结合SiLU激活函数的完整DH-GarlicNet模型达到了98.95%的准确率,较基线模型提升了7.37个百分点。结果表明,DWConv、SE模块和SiLU之间存在协同效应:DWConv有助于保留特征细节,SE模块实现智能特征筛选,SiLU优化了非线性特征表达,共同带来了最佳的分类性能。此外,用DWConv替换标准卷积中的一个3×3卷积层,使得模型参数量从21.8 M降至10.5 M,计算量从3.66 GFLOPs降至1.82 GFLOPs,在实现轻量化的同时,推理延迟从5.15 ms减少到4.09 ms,处理速度从152 FPS提升至201 FPS。五折交叉验证结果显示,模型在各折上的平均准确率达到98.67%,F1分数平均为98.43%,损失值维持在0.08左右,证明了模型具有出色的识别精度和稳定的泛化能力。
3.2 Comparative results before and after model improvement
对比模型改进前后的性能,DH-GarlicNet在所有评估指标上均优于原始ResNet34模型。在关键类别识别上表现尤为突出:对完整大蒜的精确率、召回率和F1值均达到1.000;对根部损伤大蒜的召回率达到1.000;对局部损伤大蒜的精确率达到1.000。改进后的混淆矩阵对角线元素增强且分布更均匀,非对角线区域的误分类模式从系统性错误转变为随机错误,表明模型消除了类别偏差和特征混淆。损失曲线显示,改进模型的损失下降更平滑、更稳定,最终收敛到更低的数值,且训练损失与验证损失始终接近,没有出现明显的过拟合现象。
3.3 Comparative experiments with other algorithms
与五种经典卷积神经网络(AlexNet, RepVGGNet_A0, MobileNetV4_s, FasterNet_T0, CoAtNet_0)的对比实验表明,DH-GarlicNet在准确率(98.95%)和损失值(0.0793)上均具有显著优势,且在所有对比模型中综合性能最佳。在各类别(局部损伤、根部损伤、完整)的精确率、召回率和F1分数指标上,DH-GarlicNet也大多保持领先,体现了其全面的分类性能提升。
3.4 Comparative experiments on activation functions
通过将DH-GarlicNet中的SiLU激活函数替换为九种其他代表性激活函数(ELU, ReLU, LeakyReLU, Mish, GELU, ReLU6, Sigmoid, Hardsigmoid, Hardswish)进行对比实验。结果显示,SiLU模型的准确率(98.95%)显著优于其他激活函数。性能最差的Hardsigmoid仅获得63.16%的准确率。实验表明,同时具备平滑梯度传递、自适应特征缩放和适度非线性变换特性的激活函数(如SiLU)在处理具有连续梯度特征的大蒜图像分析任务中能取得最佳效果。
3.5 Comparative experiments on attentional mechanisms
在DH-GarlicNet框架内,将SE模块替换为五种不同的注意力机制(CA, ECA, SAM, GAM, SimAM)进行对比。结果表明,SE模块(98.95%)的性能优于其他所有注意力机制模型,其中GAM表现最弱(准确率58.95%)。GAM的弱性能可能源于其复杂的空间-通道双重注意力机制引入了过多参数导致过拟合,且空间注意力模块过度强调局部特征,忽略了全局上下文。这些实验证实了SE模块因其轻量化的通道注意力设计,在计算效率和特征选择之间取得了更好平衡,更适合大蒜图像识别任务。
3.6 Recognition effect demonstration
利用梯度加权类激活映射(Grad-CAM)技术对模型改进效果进行可视化分析。热力图显示,DH-GarlicNet能够精准定位大蒜的损伤区域,其关注区域与实际损伤部位高度吻合。模型对细微损伤具有高度敏感性,这主要得益于其增强的深度特征提取能力。热力图中从蓝色(低关注)到红色(高关注)的梯度分布,展示了模型量化评估不同损伤程度的能力。
综上所述,本研究提出的DH-GarlicNet模型通过集成深度可分离卷积、SE注意力模块和SiLU激活函数,在损伤大蒜检测任务中实现了98.95%的高准确率,较基线模型有显著提升,并优于多种传统算法。该模型在参数量、计算负载和推理速度方面也实现了有效的轻量化。广泛的对比和消融实验证实了各改进组件的有效性与协同作用。Grad-CAM可视化进一步证实了模型精准聚焦损伤区域的能力。这些结果表明,DH-GarlicNet在损伤大蒜识别方面表现优异,为农产品自动化检测提供了精确的解决方案,具有强大的应用前景。
在讨论部分,作者也指出了当前研究的局限性,例如数据集中图像采集条件较为单一,未能充分覆盖真实农业生产中复杂多变的成像条件;损伤类别定义可能过于简化,未能充分表征实践中复杂的缺陷谱系;缺乏记录损伤进程的时间序列数据等。未来研究可集中于DH-GarlicNet的进一步轻量化改进,例如采用深度可分离卷积、通道剪枝、知识蒸馏、量化感知训练等技术,以适配农田边缘计算设备或移动检测终端,实现大蒜损伤的实时在线检测。此外,探索轻量模型与多模态数据(如近红外、高光谱)的结合,以增强在复杂场景下的检测鲁棒性,也是重要的研究方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号