36、WINet：基于小波变换与注意力机制的植物病害检测模型

WINet：基于小波变换与注意力机制的植物病害检测模型

1. 研究背景

植物病害的准确检测对于农业生产至关重要。随着深度学习的发展，许多模型被用于植物病害检测。然而，现有的大多数方法存在一些局限性，比如很多基于PlantVillage数据集开发的模型，由于该数据集是在实验室固定背景条件下采集的，在户外实地条件下测试时性能会受到影响。而且，目前的研究大多集中在单一物种和少量病害类别的分类上，缺乏能高精度检测多种植物大量病害的模型。

2. 相关工作

• 基于PlantVillage数据集的研究 ：许多研究者利用PlantVillage数据集开展工作。如Mohanty等人比较了AlexNet和GoogleNet在不同训练方式下的性能；Ferentinos比较了ResNet50、DenseNet121和VGG16在扩展PlantVillage数据集上的表现；Too等人对不同层数的ResNet、DenseNet、VGG16和Inception V4进行了微调，其中DenseNet在PlantVillage数据集上达到了99.75%的准确率。
• 其他模型研究 ：
  • Li等人引入了两个浅层网络，使用VGG - 16模型的前四层进行特征提取，通过Kernel SVM和Random Forest进行分类，Kernel SVM在玉米、苹果和葡萄病害上有0.94的高精度。
  • Karthik等人引入了残差注意力网络，在PlantVillage数据集上报告了98.6%的准确率。
  • Chen等人在不同研究中分别使用了