行业动态

　　引用格式：

　　胡晓波, 许桃胜, 王成军, 朱洪波, 甘雷. 基于实例白化与特征恢复的草莓病害识别领域泛化方法[J]. 智慧农业(中英文), 2025, 7(1): 124-135.

　　DOI： 10.12133/j.smartag.SA202411016

　　HU Xiaobo, XU Taosheng, WANG Chengjun, ZHU Hongbo, GAN Lei. Domain Generalization Method of Strawberry Disease Recognition Based on Instance Whitening and Restitution[J]. Smart Agriculture, 2025, 7(1): 124-135.

　　DOI： 10.12133/j.smartag.SA202411016

　　基于实例白化与特征恢复的草莓病害识别领域泛化方法

　　胡晓波1， 许桃胜2*， 王成军1， 朱洪波1， 甘雷1

　　（1.安徽理工大学 人工智能学院，安徽淮南 232001，中国； 2.中国科学院合肥物质科学研究院，安徽合肥 230031，中国）

　　摘要： 

　　［目的/意义］基于深度神经网络的草莓病害识别模型通常假设训练集（源域）和测试集（目标域）满足独立同分布。然而，在实际应用中由于光照、背景环境和草莓品种等多种因素的影响，测试集与训练集存在领域差异，造成模型在应用过程中的识别精度出现明显下降。针对这一问题，本研究提出一种基于实例白化与特征恢复的领域泛化方法，用于提升草莓病害识别模型的泛化性能。

　　［方法］该方法首先利用实例白化技术消除源域和目标域间的风格差异，再从滤除的风格特征中提取任务相关特征，最后将任务相关特征恢复到白化后的特征中，以减轻实例白化对特征类别区分度的影响。为增强从风格特征中分离任务相关特征的效果，设计了两个特征提取器分别提取任务相关和任务无关特征，并采用双段恢复损失约束两特征提取器所提取特征与任务的相关性，引入互信息损失确保特征的相互独立，进一步增强特征分类效果。

　　［结果和讨论］该方法可以在不降低源域识别精度的前提下，有效提升各病害识别模型在目标域上的泛化性能，如AlexNet加入该算法后，其不同风格目标域上的识别精度可分别提升3.97个百分点和2.79个百分点。相较于IBN-Net（Instance Batch Normalization Net）、可切换白化（Switchable Whitening, SW）、样式归一化和恢复模块（Style Normalization and Restitution, SNR）等其他领域泛化方法，该算法在测试数据集上的泛化性能可分别提高2.63%、2.35%和1.14%。

　　［结论］本方法可有效提升基于深度学习的草莓病害识别模型在目标域中的泛化性能，可为草莓病害精准识别提供可靠的技术支撑。

　　关键词： 深度神经网络；草莓病害识别；实例白化；特征恢复；领域泛化

　　Fig. 1  Examples of strawberry disease in DGSR dataset

　　Fig. 2  The framework of IWR module

　　注：图中的带下划线的文字表示模型识别结果。

　　图3　IWR模块插入骨干网络中

　　Fig. 3  The IWR modules being plugged in the backbone network

　　Fig.4  The implementation diagram of dual restitution loss

　　Fig. 5  Maximum mean discrepancy distance between DGSR1 and DGSR2

　　Fig. 6  Visualization of feature maps in IWR and Resnet-50

　　作者介绍

　　许桃胜  副研究员

　　许桃胜，博士，副研究员，研究方向为智慧农业、农业大数据和数据挖掘等。

　　胡晓波  博士

　　胡晓波，博士毕业于中国科学技术大学，现任安徽理工大学人工智能学院讲师，研究方向为智慧农业、果蔬无损检测技术、病虫害识别算法，主要从事深度学习、计算机视觉、图像处理、智能控制等方面的教学与科研工作。

　　（转自：智慧农业期刊）