通道注意力LW-ResNet小麦病害识别系统

简介本资源是一个面向农业AI应用开发者的轻量级小麦病害识别系统基于Python实现通道注意力机制与LW-ResNet融合的图像分类模型适用于作物病害智能诊断、农技推广辅助工具开发及深度学习实践教学。压缩包共12个文件含3个核心Python脚本model.py定义ECANet通道注意力模块、残差块与轻量ResNet结构train.py完成数据预处理、训练与权重保存ui.py提供可视化分类界面、8张WebP格式的病害样本示意图及1份README.md说明文档整体仅3.72MB便于快速部署与本地调试。已有91人学习下载读者可直接复现完整训练—推理—交互流程获得带注意力优化的轻量化模型源码、可运行GUI界面、典型小麦病害图像预处理逻辑及模型结构设计思路特别适合希望在边缘设备部署或理解注意力机制落地细节的中级开发者。1. 小麦田里拍张照片3秒内判出条锈病还是赤霉病这个基于通道注意力的LW-ResNet系统真能扛住田间光照不均、叶片遮挡、病斑微小这三重暴击你见过凌晨五点的小麦田吗露水没干背光侧叶片发灰近处叶片叠在远处病斑上病斑直径还不到3毫米——这种真实场景下传统ResNet50直接把条锈病误判成健康叶准确率掉到62%。而本项目用Python实现的通道注意力LW-ResNet小麦病害识别分类防治系统在相同测试集上达到94.7% Top-1准确率且单图推理耗时压到83msRTX 3060。它不是调个pretrained模型加个fc层就完事LW-ResNet结构专为农业边缘设备轻量化设计SE通道注意力模块被嵌入每个残差块末端只增加0.87M参数却让模型学会“盯住叶脉走向和锈斑颜色饱和度”而不是被反光区域带偏。适合农技站人员用手机APP拍照上传、植保无人机端部署、或基层农服小程序集成——所有代码纯PythonPyTorch无CUDA强依赖CPU模式也能跑通全流程。如果你正被田间样本不均衡健康叶占72%秆锈病仅占5%、标注噪声大农户拍的图常带手指/泥土遮挡、部署资源受限树莓派4B内存仅4GB这三座大山压得喘不过气这套方案就是为你量身凿出来的第一道排水渠。2. 从零搭起LW-ResNet骨架为什么砍掉ResNet原生瓶颈结构又在每层塞进SE模块2.1 LW-ResNet轻量化的三刀解剖砍通道、缩卷积、去冗余分支LW-ResNetLightweight ResNet不是ResNet-18的简单剪枝版而是针对农业视觉任务重新设计的轻量主干。它的核心改动有三处每处都直指田间部署痛点第一刀通道数减半但保留梯度流原ResNet-18首层7×7卷积64通道被替换为3×3卷积32通道后续各阶段通道数统一按0.5倍缩放Stage1→32, Stage2→64, Stage3→128, Stage4→256。但关键在于每个残差块内部不做通道压缩即shortcut仍保持输入通道数避免因通道骤减导致病斑纹理信息丢失。实测表明若在Stage3将128→64硬压缩赤霉病小黑点检出率下降11.3%。第二刀用深度可分离卷积替代标准卷积所有3×3卷积层替换为nn.Conv2d(in_c, out_c, 3, groupsin_c)nn.Conv2d(out_c, out_c, 1)组合。计算量从C_in × C_out × 3² × H × W降至C_in × 3² × H × W C_in × C_out × H × W在Stage2中单块计算量减少64%。注意SE模块前的卷积必须保留标准形式否则通道相关性建模失效。第三刀删除全局平均池化前的全连接层原ResNet输出接512维fc层再降维LW-ResNet直接用自适应平均池化nn.AdaptiveAvgPool2d(1)后接128维fc省掉384×12849152个参数。这对树莓派部署至关重要——模型体积从28MB压到11.3MB。# lw_resnet.py 核心残差块定义含SE嵌入 class LWBasicBlock(nn.Module): expansion 1 def __init__(self, inplanes, planes, stride1, downsampleNone, reduction16): super(LWBasicBlock, self).__init__() # 深度可分离卷积先逐通道卷积再1×1升维 self.conv1 nn.Sequential( nn.Conv2d(inplanes, inplanes, 3, stridestride, padding1, groupsinplanes, biasFalse), nn.BatchNorm2d(inplanes), nn.ReLU(inplaceTrue), nn.Conv2d(inplanes, planes, 1, biasFalse) # 组合为等效3×3卷积 ) self.bn1 nn.BatchNorm2d(planes) self.conv2 nn.Sequential( nn.Conv2d(planes, planes, 3, padding1, groupsplanes, biasFalse), nn.BatchNorm2d(planes), nn.ReLU(inplaceTrue), nn.Conv2d(planes, planes, 1, biasFalse) ) self.bn2 nn.BatchNorm2d(planes) self.downsample downsample self.stride stride # SE模块紧贴残差块末端作用于conv2输出 self.se SELayer(planes, reductionreduction) # reduction16为默认值 def forward(self, x): identity x out self.conv1(x) out self.bn1(out) out self.conv2(out) out self.bn2(out) out self.se(out) # 注意SE在BN之后、ReLU之前插入效果最佳 if self.downsample is not None: identity self.downsample(x) out identity out F.relu(out, inplaceTrue) return out提示reduction16是SE模块中全连接层压缩比实验发现小麦病害场景下16比8更稳——过小的reduction如4会让模型过度关注单一通道如绿色通道忽略锈斑的橙红色特征过大如32则削弱通道间交互条锈病与叶锈病区分度下降。2.2 SE通道注意力机制不是简单套公式而是让模型学会“看哪里该用力”SESqueeze-and-Excitation模块表面看只是两层fcsigmoid但在小麦病害识别中它的价值远超“加个权重”。我们做了三组消融实验移除SETop-1准确率从94.7%→89.2%尤其对秆锈病小黑点密集漏检率上升23%把SE移到残差块开头模型收敛变慢30轮后仍比基准低1.8%用CBAM替代SE虽然定位能力略强但参数增加2.1M推理延时多出17ms田间端无法接受。SE真正起效的关键在于它强制模型学习通道间的语义关联。比如当绿色通道响应高健康叶绿素强红色通道响应也同步升高锈斑氧化铁显色此时SE会放大这两个通道权重而若仅绿色通道高、红蓝通道弱则判定为健康叶并抑制红蓝通道噪声。这种耦合判断正是传统CNN做不到的。# se_layer.py 通道注意力实现适配PyTorch 1.12 class SELayer(nn.Module): def __init__(self, channel, reduction16): super(SELayer, self).__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) # Squeeze全局平均池化 # Excitation两层fc中间用ReLU防梯度消失 self.fc nn.Sequential( nn.Linear(channel, channel // reduction, biasFalse), nn.ReLU(inplaceTrue), nn.Linear(channel // reduction, channel, biasFalse), nn.Sigmoid() ) def forward(self, x): b, c, _, _ x.size() y self.avg_pool(x).view(b, c) # (b,c,1,1) → (b,c) y self.fc(y).view(b, c, 1, 1) # (b,c) → (b,c,1,1) return x * y # Scale逐通道乘权重注意nn.Sigmoid()输出范围[0,1]确保权重非负且归一化。若用nn.Tanh()会导致负权重破坏特征图物理意义——病斑像素值不能被“反向增强”。3. 数据工程怎么把农户拍的模糊图、带手指的图、逆光图喂给LW-ResNet不翻车3.1 农田图像三大毒瘤逆光、遮挡、小病斑对应三招数据清洗术真实小麦病害数据集如PlantVillage子集或自采数据存在三个致命缺陷逆光问题晨雾中拍摄的叶片背光侧发灰RGB三通道方差15正常图45遮挡问题农户手指/泥土覆盖病斑遮挡面积占比15%~60%小病斑问题条锈病初期孢子堆直径2px在224×224图中仅占0.0004%像素。常规RandomHorizontalFlip或ColorJitter对此无效。我们采用分层清洗策略清洗层级检测方法处理动作效果逆光图识别计算V通道HSV空间标准差20则判定为逆光用CLAHE算法增强对比度cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8))逆光图识别准确率98.3%增强后病斑边缘清晰度提升3.2倍手指遮挡检测HSV阈值分割H:0-10 170-180, S:30-255, V:50-255提取肤色区域若肤色区域面积整图5%用Navier-Stokes插值修复cv2.inpaint(img, mask, 3, cv2.INPAINT_NS)遮挡修复后模型对被遮病斑的召回率从41%→79%小病斑增强检测连通域筛选面积5px的区域对该区域做局部锐化cv2.filter2D(img_roi, -1, kernel[[0,-1,0],[-1,5,-1],[0,-1,0]]) 高斯噪声注入σ0.01小病斑检出率从53%→86%且不引入伪影# data_preprocess.py 关键清洗函数 def enhance_small_lesions(image: np.ndarray) - np.ndarray: 专治5px病斑先锐化再加噪模拟真实病斑纹理 # 转灰度并二值化Otsu法 gray cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 查找小连通域 num_labels, labels, stats, _ cv2.connectedComponentsWithStats(binary, connectivity8) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] 5: # 提取ROI并锐化 x, y, w, h stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], \ stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] roi image[y:yh, x:xw].copy() kernel np.array([[0,-1,0],[-1,5,-1],[0,-1,0]]) sharpened cv2.filter2D(roi, -1, kernel) # 注入微量高斯噪声σ0.01防止过拟合 noise np.random.normal(0, 0.01, sharpened.shape) enhanced_roi np.clip(sharpened.astype(np.float32) noise, 0, 255).astype(np.uint8) image[y:yh, x:xw] enhanced_roi return image # 使用示例 train_dataset WheatDiseaseDataset( root_dirdata/train, transformtransforms.Compose([ transforms.Lambda(lambda x: enhance_small_lesions(x)), # 先清洗 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) )提示enhance_small_lesions必须放在ToTensor()之前否则numpy操作失效cv2.filter2D的-1表示输出深度与输入一致避免类型转换错误。3.2 分类防治标签体系不是简单打“条锈病”标签而是绑定农事操作指令本系统最大特色是分类即防治。模型输出不只是病害类别而是结构化防治指令包病害类别置信度阈值推荐药剂施药窗口期无人机喷洒参数人工巡检重点条锈病0.85三唑酮悬浮剂孕穗至抽穗期流量2.1L/min高度1.8m叶片背面新发黄斑赤霉病0.92戊唑醇·咪鲜胺扬花初期流量1.8L/min高度1.5m小穗基部褐斑健康0.98———记录生长周期# inference.py 输出结构化结果 def predict_disease(model, image_tensor, class_names): model.eval() with torch.no_grad(): output model(image_tensor.unsqueeze(0)) # [1, 5] probs F.softmax(output, dim1) confidence, pred_idx torch.max(probs, 1) pred_class class_names[pred_idx.item()] # 绑定防治知识库实际项目中从JSON加载 treatment_guide { 条锈病: {drug: 三唑酮悬浮剂, window: 孕穗至抽穗期, drone_flow: 2.1}, 赤霉病: {drug: 戊唑醇·咪鲜胺, window: 扬花初期, drone_flow: 1.8}, 健康: {note: 记录生长周期无需干预} } result { disease: pred_class, confidence: confidence.item(), treatment: treatment_guide.get(pred_class, {}), timestamp: datetime.now().strftime(%Y-%m-%d %H:%M:%S) } return result # 示例输出 # { # disease: 条锈病, # confidence: 0.932, # treatment: {drug: 三唑酮悬浮剂, window: 孕穗至抽穗期, drone_flow: 2.1}, # timestamp: 2024-06-15 10:23:41 # }4. 训练与部署避坑指南那些让模型在田间集体翻车的玄学参数4.1 三类典型翻车现场数据不平衡、学习率震荡、CPU推理卡死翻车现象1训练Loss降到0.02就停滞验证准确率卡在78%不动原因小麦病害数据严重不平衡健康:条锈:赤霉:秆锈≈72%:15%:8%:5%模型学会永远预测“健康”来刷准确率。解决不用简单WeightedRandomSampler而采用Focal Loss 类别感知采样。Focal Loss公式为FL(pt) -αt(1-pt)^γ log(pt)其中γ2.0α按类别频率倒数设置健康类α0.1秆锈病α2.0。同时训练时每batch强制包含至少1张稀有病害图。# focal_loss.py class FocalLoss(nn.Module): def __init__(self, alpha1, gamma2, reductionmean): super(FocalLoss, self).__init__() self.alpha alpha self.gamma gamma self.reduction reduction def forward(self, inputs, targets): ce_loss F.cross_entropy(inputs, targets, reductionnone) pt torch.exp(-ce_loss) focal_weight (1 - pt) ** self.gamma loss self.alpha * focal_weight * ce_loss if self.reduction mean: return loss.mean() return loss.sum() # 在train.py中使用 criterion FocalLoss(alpha[0.1, 1.2, 1.8, 2.0], gamma2.0) # 四类权重翻车现象2学习率设0.01第3轮Loss突增10倍然后崩塌原因LW-ResNet因深度可分离卷积导致梯度传播路径变长标准SGD易震荡。解决改用torch.optim.AdamW带权重衰减学习率预热余弦退火。预热期5轮从0线性升到0.001主训练期45轮学习率按cosine衰减至1e-6。# train.py 学习率调度 optimizer torch.optim.AdamW(model.parameters(), lr0.001, weight_decay1e-4) scheduler torch.optim.lr_scheduler.OneCycleLR( optimizer, max_lr0.001, epochs50, steps_per_epochlen(train_loader), pct_start0.1, # 10%预热 anneal_strategycos )翻车现象3树莓派4B上CPU推理耗时2.3秒根本没法实时原因PyTorch默认启用多线程但ARM CPU只有4核线程争抢反而拖慢。解决推理前强制设单线程并关闭梯度计算# deploy_cpu.py torch.set_num_threads(1) # 关键树莓派必须设为1 torch.backends.quantized.engine qnnpack # ARM优化后端 model.eval() with torch.no_grad(): # 输入tensor需转为uint8再量化树莓派友好 input_uint8 (image_tensor * 255).to(torch.uint8) input_int8 torch.quantize_per_tensor(input_uint8, scale1.0, zero_point0, dtypetorch.qint8) output model(input_int8.dequantize()) # 量化推理后反量化注意torch.quantize_per_tensor的scale1.0适用于归一化后的[0,1]输入若用原始[0,255]图需设scale0.00392156862745098即1/255。5. 模型压缩与端侧部署如何把94.7%准确率的模型塞进树莓派4B的4GB内存5.1 三步瘦身法剪枝→量化→ONNX导出体积从11.3MB压到1.8MBLW-ResNet虽轻但原始PyTorch模型.pth含大量调试信息和未用参数。生产部署必须走标准压缩流水线结构化剪枝Structured Pruning按通道剪枝保证剪后模型仍可运行使用torch.nn.utils.prune.ln_structured以L2范数为准则对每个卷积层剪掉20%通道。关键只剪conv2d.weight不碰bn.weightBatchNorm参数需同步调整。动态量化Dynamic Quantization权重量化为int8激活值保持float32torch.quantization.quantize_dynamic(model, {nn.Linear, nn.Conv2d}, dtypetorch.qint8)。此法不需校准数据集适合边缘设备。ONNX导出TensorRT优化可选生成跨平台中间表示导出时指定opset_version12输入名设为input输出名设为output便于后续用ONNX Runtime加速。# compress_model.py import torch import torch.nn.utils.prune as prune # 步骤1结构化剪枝 for name, module in model.named_modules(): if isinstance(module, torch.nn.Conv2d): prune.ln_structured(module, nameweight, amount0.2, n2, dim0) # 步骤2动态量化 quantized_model torch.quantization.quantize_dynamic( model, {torch.nn.Linear, torch.nn.Conv2d}, dtypetorch.qint8 ) # 步骤3ONNX导出输入shape: [1,3,224,224] dummy_input torch.randn(1, 3, 224, 224) torch.onnx.export( quantized_model, dummy_input, wheat_lwresnet_se.onnx, export_paramsTrue, opset_version12, do_constant_foldingTrue, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} ) # 验证ONNX模型 import onnxruntime as ort ort_session ort.InferenceSession(wheat_lwresnet_se.onnx) outputs ort_session.run(None, {input: dummy_input.numpy()}) print(fONNX推理结果: {outputs[0].argmax()}) # 应输出0健康类提示dynamic_axes参数必须声明否则ONNX Runtime在变长batch推理时会报错do_constant_foldingTrue可合并常量运算减少节点数。5.2 树莓派4B部署实测从烧录系统到APP调用全程无sudo树莓派部署最怕Permission denied和Segmentation fault。我们验证过的最小可行路径系统选择Raspberry Pi OS Lite (64-bit, 2023-10-10)禁用桌面环境省内存Python环境apt install python3-pip后用pip3 install torch1.13.1cpu torchvision0.14.1cpu -f https://download.pytorch.org/whl/torch_stable.html安装ARM64专用包ONNX Runtime安装pip3 install onnxruntime1.16.01.16.0是最后一个支持Pi4的稳定版APP调用用Flask写轻量API监听/predict端点接收base64图片返回JSON防治指令# raspberry_app.py from flask import Flask, request, jsonify import numpy as np import cv2 import onnxruntime as ort app Flask(__name__) ort_session ort.InferenceSession(wheat_lwresnet_se.onnx) app.route(/predict, methods[POST]) def predict(): try: img_b64 request.json[image] img_bytes base64.b64decode(img_b64) img_array np.frombuffer(img_bytes, np.uint8) img cv2.imdecode(img_array, cv2.IMREAD_COLOR) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.resize(img, (224, 224)) img img.astype(np.float32) / 255.0 img np.transpose(img, (2, 0, 1)) # HWC→CHW img np.expand_dims(img, axis0) # add batch dim inputs {ort_session.get_inputs()[0].name: img} outputs ort_session.run(None, inputs) pred_class int(outputs[0][0].argmax()) confidence float(outputs[0][0].max()) # 返回结构化防治指令此处简化实际查数据库 treatments [健康, 条锈病, 赤霉病, 秆锈病] return jsonify({ disease: treatments[pred_class], confidence: confidence, treatment: get_treatment_plan(treatments[pred_class]) }) except Exception as e: return jsonify({error: str(e)}), 400 if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse) # 关键debugFalse禁用重载注意app.run(debugFalse)必须显式声明否则Flask在Pi上会因文件监控触发Segmentation faultcv2.resize前不检查图片是否为空需加if img is None: return jsonify({error:invalid image}), 400。6. 实战技巧用Grad-CAM可视化“模型到底在看什么”揪出误判根源6.1 Grad-CAM热力图不是炫技而是定位模型决策盲区当模型把一张带水渍的健康叶判为赤霉病时你不能只看准确率——得知道它为什么错。Grad-CAMGradient-weighted Class Activation Mapping就是你的黑匣子透视镜。它通过计算目标类别对最后一层特征图的梯度生成热力图显示模型关注区域。在小麦病害中我们发现三个关键规律正确决策热力图高亮病斑区域如条锈病的橙黄色孢子堆且与叶片主脉走向一致典型误判热力图集中在水渍反光区高亮区域与病斑无重叠说明模型被光照干扰边界案例热力图覆盖整片叶但强度均匀无焦点表明模型未学到病斑纹理特征仅靠颜色统计判断。# gradcam.py 可视化脚本 class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.features None def save_gradient(grad): self.gradients grad def save_feature(module, input, output): self.features output output.register_hook(save_gradient) target_layer.register_forward_hook(save_feature) def __call__(self, input_img, target_classNone): self.model.eval() output self.model(input_img) if target_class is None: target_class output.argmax(dim1).item() # 清零梯度反向传播目标类别得分 self.model.zero_grad() output[0, target_class].backward() # 计算权重梯度全局平均 weights torch.mean(self.gradients, dim(2, 3), keepdimTrue) # 加权求和特征图 cam torch.sum(weights * self.features, dim1, keepdimTrue) cam F.relu(cam) # ReLU确保只关注正向贡献 cam F.interpolate(cam, size(224, 224), modebilinear) # 上采样到原图尺寸 cam cam.squeeze().cpu().numpy() return cam / cam.max() # 归一化到[0,1] # 使用示例 model load_model(wheat_lwresnet_se.pth) # 加载训练好的模型 gradcam GradCAM(model, model.layer4[-1]) # 作用于最后一层残差块 # 加载待分析图像 img_pil Image.open(test_images/rust_leaf.jpg) transform transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) img_tensor transform(img_pil).unsqueeze(0) # 生成热力图 cam_map gradcam(img_tensor, target_class1) # 1条锈病 # 叠加到原图 img_np np.array(img_pil.resize((224,224))) heatmap cv2.applyColorMap((cam_map * 255).astype(np.uint8), cv2.COLORMAP_JET) superimposed cv2.addWeighted(img_np, 0.6, heatmap, 0.4, 0) cv2.imwrite(gradcam_rust.jpg, cv2.cvtColor(superimposed, cv2.COLOR_RGB2BGR))6.2 三类热力图诊断表对照即知模型缺陷在哪热力图形态含义改进方向实测案例聚焦病斑高亮区域与病斑完全重合模型学到本质特征可信任无需修改直接部署条锈病成熟期叶片热力图精准覆盖孢子堆聚焦反光区高亮在叶面水珠/阳光反射点模型被光照干扰需增强逆光鲁棒性在数据增强中加入RandomSunlight模拟不同角度光源早晨拍摄图模型误判健康叶为赤霉病全图弥散热力图强度均匀无明显焦点模型未捕获病斑纹理仅靠颜色分布判断增加小病斑增强3.1节或调整SE模块reduction值秆锈病初期孢子堆未显色热力图覆盖整片叶我带团队在河南周口农场实测时曾用Grad-CAM揪出一个血泪教训模型对“叶尖枯黄”过度敏感把干旱胁迫误判为赤霉病。热力图显示高亮区域在叶尖而非小穗——这暴露了训练数据中缺乏干旱样本。我们立刻补充200张干旱胁迫图并在损失函数中加入DroughtAwareLoss对叶尖区域梯度加权误判率从31%降到4.2%。可视化不是终点而是调优的起点。每次看到热力图偏离病斑就该打开数据集补图、改增强、调参数——这才是工程师该干的活。希望帮到你。本文还有配套的精品资源点击获取