一种基于深度学习的双路径融合架构，用于在“Kinnow”系统中实现自动疾病识别

《Applied Fruit Science》：A Deep Learning-Based Dual-Path Fusion Architecture for Automated Disease Identification in ‘Kinnow’

Kinnow品质评估与疾病识别中提出融合Transformer与EfficientNet的双阶段模型，通过构建高质量农场环境数据集并优化标注流程，有效解决传统手动检测效率低、现有算法数据不足及分类精度不高等问题，实验准确率达92.5%且各项指标优于基准模型。

　　

摘要

“Kinnow”是印度种植面积第三大的水果，具有巨大的经济价值。评估成熟“Kinnow”水果的质量或识别其病害对于确保优质水果能够进入市场至关重要。传统上，质量评估或病害识别都是通过人工完成的，这既具有挑战性，又耗时且繁琐。近年来，多项研究采用了基于机器学习和深度学习的技术来自动化“Kinnow”病害的识别过程。然而，这些新引入的技术存在一些局限性，例如难以将“Kinnow”与叶子区分开、缺乏公开可用的数据集（成熟水果的数据）、准确率有限等等。针对这些问题，当前的方法首先是在不同光照条件下从农场环境中收集高质量的“Kinnow”图像，构建一个新的数据集。随后，通过将数据标记为三个不同的类别、进行预处理和数据增强等关键步骤来提高数据质量。最后，提出了一种基于深度学习的双阶段融合架构，该架构结合了Transformer和EfficientNet，能够准确地将“Kinnow”图像分类为健康状态和病害状态（包括虫害和真菌感染）。将所提出的方法与最先进的“Kinnow”分类模型进行比较，结果表明其具有更高的准确性。评估结果显示，该方法的准确率为0.925，平均精确度为0.947，平均召回率为0.927，平均F1分数为0.936。