MSCR-FuResNet: 다중 스케일 특징 추출 및 향상된 채널 공간 특징을 기반으로 한 근거리 사과 잎 질병 분류를 위한 삼중 잔여 네트워크 융합 모델

사과 잎 질병의 정확하고 자동화된 진단은 사과 수확량을 극대화하고 농업 발전을 촉진하는 데 필수적이다. 딥 러닝 기법의 광범위한 활용에도 불구하고 몇 가지 도전 과제가 여전히 존재한다: (1) 사과 잎의 작은 질병 반점이 복잡한 특징을 포착하는 데 모델의 어려움을 초래한다; (2) 다양한 유형의 사과 잎 질병 간의 높은 유사성이 그들을 구별하기 어렵게 만든다; (3) 복잡한 배경을 가진 이미지는 종종 저조한 대비를 보이며, 이는 분류 정확도를 떨어뜨린다. 이러한 과제를 해결하기 위해 우리는 다중 스케일 특징 추출 및 채널과 잔여 블록의 향상을 융합한 MSCR-FuResNet(다중 스케일 특징 추출 및 채널과 잔여 블록의 향상 융합 네트워크)으로 알려진 삼중 잔여 융합 네트워크를 제안한다. 이 모델은 세 가지 하위 네트워크로 구성된다: (1) 다중 스케일 특징 추출을 통한 자세한 특징 추출 개선; (2) 중요하지 않은 채널과 픽셀 억제를 통한 유사 특징의 구별 개선; (3) 활성화 함수와 잔여 블록 수정으로 저조도 특징 추출 증가. 이 모델은 Plant Village 및 Baidu Flying Paddle을 포함한 공공 리포지토리의 종합 데이터셋으로 검증되었다. 클래스 불균형 문제 해결을 위해 다양한 데이터 증강 기법이 사용되었다. 실험 결과, 제안된 모델이 구축된 데이터셋에서 97.27%의 정확도로 ResNet-50보다 우수한 성능을 보이며, 사과 잎 질병 인식에서 상당한 발전을 나타낸다.