前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。 

一、摘要

该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难 的问题，设计DEFL 模型。首先，该模型以并行的 EfficientNet-B0 网络和DenseNet121 网络为特征提取网络，以提升模型特征提取能力，其次引入结合标签平滑策略的焦 点损失函数以加强模型对识别困难样本的关注。经测试，所提模型的识别准确率为 99.13%，平均精度均值为 98.47%。 消融试验表明两项改进分别使模型平均精度均值提高了 7.99 和 3.15 个百分点。对比试验结果表明，DEFL 模型平均精度 均值较于 ResNet50、Inception V3、ResNeXt 模型以及分别融合这 3 种模型的 EfficientNet-B0 模型分别高出 14.53、13.17、 14.61、 6.4、 7.71 以 及 8.91 个 百 分 点 ， 模 型 规 模 分 别 小 18.73、 7.7、 12.2、 83.62、 69.6 以 及 60.09  MB。 GradCAM（ gradient-weighted  class activation  mapping） 热 力 图 可 视 化 结 果 表 明 所 提 模 型 重 点 关 注 了 叶 片 病 变 区 域 。 UMAP（uniform manifold approximation and projection）特征降维可视化结果表明所提模型提取的特征更具区分度。实际 应用验证取得了 97.73% 的总体准确率以及 95.82% 的平均精度均值。综上，该研究提出的 DEFL 模型能够为苹果病害防 治提供有效参考。

二、网络模型及核心创新点

       这篇文章的亮点之一在于采用 Grad-CAM 技术进行可视化 解释和分析。 从视觉评价上对所提出的 DEFL 模型进行评估。我们在写文章的时候也可以用这样看着比较高级的图，将原来看不见摸不着的算法可视化出来。

   

注：论文原文出自 王瑞鹏，陈锋军，朱学岩，等. 采用改进的 EfficientNet 识别苹果叶片病害[J]. 农业工程学报，2023，39(18)：201-210.

解读的系列文章，本人已进行创新点代码复现。