用于植物病虫害图像识别的数据增强方法

来源：计算机技术与发展杂志2025年第03期北京时间：

作者：肖宇;吴杰*;马驰

单位：1. 辽宁科技大学 计算机与软件工程学院,辽宁 鞍山 114051;2. 惠州学院 计算机科学与工程学院,广东 惠州 516007

摘要：在深度学习的植物病虫害图像识别领域,区域数据增强是提高模型泛化能力的关键策略。 该技术通过有选择性地移除图像的特定区域,促使模型更加专注于提取那些区分度较低的特征,进而增强了模型对新数据的适应性和识别能力。 所提出的 SaliencyBatchMix 数据增强方法利用类激活映射(CAM)计算语义百分比图(SPM)后,按 Batch 的维度选择具有代表性的图像区域,并将图像区域作为指示性补丁与目标图像混合,以引导模型学习更恰当的特征表示。 该方法可减少训练中裁剪区域的无意义像素,并且减少了标签噪声。 在 GhostNet 架构下的实验中,SaliencyBatchMix 分别在 IP102 和 Embrapa 数据集上实现了 72. 05% 和 96. 86% 的准确率。 对比于使用 CutMix 方法分别提升了 0. 62 百分点和 1 百分点。 通过对结果的对比和消融实验分析,验证了 SaliencyBatchMix 在提高模型泛化能力和准确率的有效性。

关键词：数据增强;类激活映射;深度学习;植物病虫害识别;GhostNet