Maize Leaf Disease Identification Based on Feature Enhancement and DMS-Robust Alexnet
论文地址：https://ieeexplore.ieee.org/document/9044386
提出了基于骨干Alexnet体系结构的DMS-Robust Alexnet用于玉米叶片图像识别和分类的方法，结合了膨胀卷积和多尺度卷积以提高特征提取的能力。识别准确率高达98.62％。
1、图像增强算法WT-DIR
首先，将玉米病害图像从RGB空间转换为HSV空间。其次，将值分量V转换为小波域。在小波域中，玉米病害图像的全局信息和轮廓信息主要分布在低频区域，而玉米病害图像的局部信息，细节信息和噪声主要分布在高频区域，通过应用改进的Retinex图像增强算法来增强低频系数，并使用Donoho阈值方法对高频系数进行去噪。最后，通过分段对数拉伸对S分量进行处理，以提取玉米病灶特征，从而进一步改善玉米病害图像的质量。
算法流程：
step1：选择符号小波（Sym）分解图像；
step2：小波变换分解的图像，容易发生光晕现象。本文采用具有边缘保留特性的导引滤波器对玉米病害图像进行运算，并以此为基础得到玉米图像的照度图像。根据Retinex原理，反射分量图像是从对数变换得出的。然后，通过伽马变换校正反射分量。如果Gamma转换的结果低于信号噪声比（SNR）阈值，则重复上述操作。
增强效果
2、基于Alexnet 骨干架构的新型DMS-Robust Alexnet
加深了网络的结构，具有5个卷积层，3个完全连接的层，使用Dropout抑制过度拟合，并使用PRelu作为**函数。
一个多尺度卷积模块和三个完全连接的层组成。
DMS-Robust Alexnet的体系结构
（1）第一层由输入层和BN层（批处理归一化层）组成。 BN层处理输入图像，可以提高模型的泛化能力，并加快网络的收敛速度。
（2）第二层由卷积模块1组成，其中Conv1由64个滤镜组成，内核大小为11×11像素。通过使用扩展卷积扩展Conv1，以提高玉米病害的特征提取能力。此外，采用了PReLu**功能来解决梯度消失的问题。池化层1的类型为最大池化层，其内核为3×3，跨度为2。池化后，将执行BN处理。
（3）第三层由卷积模块2组成，其中Conv2由192个使用PRelu运算的内核尺寸为5×5像素的滤波器组成。池层2是最大池层，内核是3×3，跨度是2。池化后，执行BN。
（4）第四层由卷积模块3组成，其中Conv3由384个滤镜组成，其滤镜尺寸为3×3像素，并借助PRelu操作进行辅助。池化层3的类型为最大池化层，其内核为3×3，跨度为2。池化后，执行BN。
（5）第五层由卷积模块4组成，其中Conv4由256个过滤器组成，内核大小为 3 × 3 像素。通过使用PRelu操作可以得到帮助。合并后，执行BN。
（6）第六层由多尺度卷积模块组成，其中第一层多层尺度卷积的滤波器数量（从上到下）分别为96和16，其内核大小为 1 × 1 。**功能为PRelu。多尺度卷积的第二层总和（从上到下）分别为64、128、128和128，其内核大小为1 × 1 ， 3 × 3 ， 5 × 5 ， 1 × 1 ， 分别。收集后，它由连接层处理。
（7）第七层由卷积模块5组成，其中Conv5由256个滤波器组成，内核大小为 3 × 3 像素。如上所述，使用PRelu操作，并且由BN层处理收集。
（8）第一个完全连接的层包含200个神经元，然后分别通过PReLU操作和Dropout操作进行处理。
（9）第二个完全连接的层包含100个神经元，然后通过PReLU操作和dropout操作对其进行处理。
（10）最后一个完全连接层包含七个神经元，代表玉米叶病类别的数量。然后将最后一个完全连接层的输出传输到输出层，以确定输入图像的分类。最后，使用softmax**函数，因此使输出值的总和等于1.0，并将单个输出限制为0-1之间的值。softmax函数是DMS-Robust Alexnet的适当实现，因为它考虑了所有输出的相对幅度。
膨胀卷积
第一层使用了膨胀卷积，扩大特征提取的范围；扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中即参数数量不变，区别在于扩张卷积具有更大的感受野。
cnn中的卷积
膨胀卷积
多尺度卷积
该网络第六层使用了多尺度卷积，主要思想是基于确定卷积视觉网络中最佳局部稀疏结构的近似值，并通过容易获得的密集分量进行覆盖。结构如下：多尺度卷积模块的体系结构
**函数在DMS-Robust Alexnet中使用了PRelu**功能而不是Sigmoid和Relu**功能，避免“梯度消失”现象。当输入信号小于0时，PRelu函数的值是具有较小斜率的函数，它将改变数据的分布并保留负轴的某些值。结果，负面信息将不会完全丢失。因此，避免了玉米疾病图像的信息丢失。
网络优化器
使用了AdaBound优化器，使用不同的优化器和**函数的对比如下：
AdaBound
参考论文：https://openreview.net/pdf?id=Bkg3g2R9FX
源码：https://github.com/Luolc/AdaBound