[1]周江龙,王天一,李论,等.基于深度学习的轻量化农作物叶片病害识别模型[J].江苏农业科学,2024,52(16):230-238.
　Zhou Jianglong,et al.A lightweight model for crop leaf disease identification based on deep learning[J].Jiangsu Agricultural Sciences,2024,52(16):230-238.
点击复制

基于深度学习的轻量化农作物叶片病害识别模型()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第16期
页码:
230-238
栏目:
农业工程与信息技术
出版日期:
2024-08-20

文章信息/Info

Title:
A lightweight model for crop leaf disease identification based on deep learning
作者:
周江龙1; 王天一1; 李论1; 蒋宁2
1.贵州大学大数据与信息工程学院，贵州贵阳 550025； 2.贵州玄德花椒产业发展有限公司，贵州贵阳 550018
Author(s):
Zhou Jianglong; et al
关键词:
农作物叶片病害; MobileNet v3; 注意力机制; 激活函数
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对传统图像分类模型在识别农作物叶部病害过程中因计算资源消耗高昂从而难以部署于实际生产中的问题，本研究提出一种基于MobileNet v3的轻量化农作物叶片病害识别模型EDCA-MobileNet v3。首先在高效注意力机制中加入一条并行路径，提取不同区域的通道特征信息进行编码融合，得到新的高效双通道注意力机制EDCA，将EDCA注意力机制嵌入到MobileNet v3网络中的倒置残差结构中以提高模型的跨通道信息捕获能力；其次将原始网络中的ReLU、Hard Swish激活函数替换为SiLU激活函数以增强模型的泛化能力；最后根据农作物叶片病害特征调整网络结构和通道维度以降低模型计算量，删减不必要的网络层以抑制过拟合。结果表明，改进模型对农作物叶片病害的识别准确率达到了98.95%，较原始模型提高了2.64百分点，同时参数量下降到2.02 M，为原始模型的79.53%，权重大小仅有4.39 M，模型还在未出现过的新作物和新病害上具有较好的泛化能力。本研究模型具有高效、轻量的特点，因而适合在计算资源有限的移动设备和农机上部署，为农作物叶片病害防治与诊断提供技术支撑。
Abstract:
-

参考文献/References:

［1］Nigam S，Jain R，Marwaha S，et al. Deep transfer learning model for disease identification in wheat crop［J］. Ecological Informatics，2023，75：102068.
［2］Wang R M，Wu L A. Drought-tolerant crop disease identification based on attention mechanism［C］//2023 IEEE 6th Information Technology，Networking，Electronic and Automation Control Conference (ITNEC).Chongqing：IEEE，2023：1139-1143.
［3］Zhao S Y，Peng Y，Liu J Z，et al. Tomato leaf disease diagnosis based on improved convolution neural network by attention module［J］. Agriculture，2021，11(7)：651.
［4］Dhakshina Kumar S，Esakkirajan S，Bama S，et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier［J］. Microprocessors and Microsystems，2020，76：103090.
［5］Sunil C K，Jaidhar C D，Patil N. Systematic study on deep learning-based plant disease detection or classification［J］. Artificial Intelligence Review，2023，56(12)：14955-15052.
［6］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60(6)：84-90.
［7］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. (2014-09-04)［2024-01-08］. https：//arxiv.org/abs/1409.1556.
［8］杨祥，段军明，董明刚.面向移动端的植物病害图像识别方法及其应用［J］. 江苏农业科学，2023，51(4)：191-197.
［9］李子涵，周省邦，赵戈，等. 基于卷积神经网络的农业病虫害识别研究综述［J］. 江苏农业科学，2023，51(7)：15-23.
［10］许景辉，邵明烨，王一琛，等. 基于迁移学习的卷积神经网络玉米病害图像识别［J］. 农业机械学报，2020，51(2)：230-236，253.
［11］鲍文霞，吴德钊，胡根生，等. 基于轻量型残差网络的自然场景水稻害虫识别［J］. 农业工程学报，2021，37(16)：145-152.
［12］Elfatimi E，Eryigit R，Elfatimi L. Beans leaf diseases classification using MobileNet models［J］. IEEE Access，2022，10：9471-9482.
［13］Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.
［14］Sun H X，Zhang S J，Ren R，et al. Maturity classification of “hupingzao” jujubes with an imbalanced dataset based on improved MobileNet v2［J］. Agriculture，2022，12(9)：1305.
［15］孙俊，朱伟栋，罗元秋，等. 基于改进MobileNet v2的田间农作物叶片病害识别［J］. 农业工程学报，2021，37(22)：161-169.
［16］崔金荣，魏文钊，赵敏. 基于改进MobileNet v3的水稻病害识别模型［J］. 农业机械学报，2023，54(11)：217-224，276.
［17］Atila ，Uar M，Akyol K，et al. Plant leaf disease classification using EfficientNet deep learning model［J］. Ecological Informatics，2021，61：101182.
［18］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-04-17)［2024-01-08］. https：//arxiv.org/abs/1704.04861.
［19］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.
［20］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul：IEEE，2019：1314-1324.
［21］Hu J，Shen L，Albanie S，et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42(8)：2011-2023.
［22］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle：IEEE，2020：11531-11539.
［23］Hou Q B，Zhou D Q，Feng J S. Coordinate attention for efficient mobile network design［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Nashville：IEEE，2021：13708-13717.
［24］邢永鑫，吴碧巧，吴松平，等. 基于卷积神经网络和迁移学习的奶牛个体识别［J］. 激光与光电子学进展，2021，58(16)：1628002.
［25］Elfwing S，Uchibe E，Doya K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning［J］. Neural Networks，2018，107：3-11.
［26］Lu Z，Pu H，Wang F，et al. The expressive power of neural networks：a view from the width［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook：Curran Associates Inc.，2017：6232-6240.
［27］Deng J，Dong W，Socher R，et al. ImageNet：a large-scale hierarchical image database［C］//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami：IEEE，2009：248-255.
［28］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. (2020-09-11)［2024-01-08］. https：//arxiv.org/abs/1905.11946v5.
［29］Kingma D，Ba J. Adam：a method for stochastic optimization［EB/OL］. (2017-01-30)［2024-01-01］. https：//arxiv.org/pdf/1412.6980v6.
［30］甘雨，郭庆文，王春桃，等. 基于改进EfficientNet模型的作物害虫识别［J］. 农业工程学报，2022，38(1)：203-211.

相似文献/References:

[1]严陈慧子,田芳明,谭峰,等.基于改进YOLOv4的水稻病害快速检测方法[J].江苏农业科学,2023,51(6):187.
　Yanchen Huizi,et al.Rapid detection method of rice diseases based on improved YOLOv4[J].Jiangsu Agricultural Sciences,2023,51(16):187.
[2]张风伟,朱成杰,朱洪波.基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用[J].江苏农业科学,2024,52(7):205.
　Zhang Fengwei,et al.Apple leaf disease recognition method based on improved MobileNet v3 and its mobile terminal application[J].Jiangsu Agricultural Sciences,2024,52(16):205.
[3]郑超杰,李少波,蒲睿强,等.基于轻量化卷积神经网络的番茄叶片病害识别[J].江苏农业科学,2024,52(11):225.
　Zheng Chaojie,et al.Tomato leaf disease recognition based on lightweight convolutional neural network[J].Jiangsu Agricultural Sciences,2024,52(16):225.
[4]李豫晋,沈陆明,何少芳,等.基于改进MobileNet v3的苹果叶片病害识别研究[J].江苏农业科学,2024,52(12):224.
　Li Yujin,et al.Identification of apple leaf diseases based on improved MobileNet v3[J].Jiangsu Agricultural Sciences,2024,52(16):224.
[5]陈雪,谭峰,宁韶瞳,等.基于轻量级网络的玉米田间杂草识别方法[J].江苏农业科学,2025,53(20):194.
　Chen Xue,et al.A weed identification method for corn field based on lightweight network[J].Jiangsu Agricultural Sciences,2025,53(16):194.
[6]董虎胜,鲜学丰,孙逊,等.基于多阶段特征融合的MobileNet v3ULAM茶叶病害识别[J].江苏农业科学,2025,53(15):200.
　Dong Husheng,et al.Identification of tea leaf disease based on MobileNet v3ULAM with multistage feature fusion[J].Jiangsu Agricultural Sciences,2025,53(16):200.
[7]王彩萍,卢雯皎,吴燕.轻量级深度学习模型在草莓病害识别中的应用——以改进MobileNet v3Small为例[J].江苏农业科学,2026,54(4):222.
　Wang Caiping,et al.Application of lightweight deep learning models in strawberry disease recognition： taking improved MobileNet v3small as an example[J].Jiangsu Agricultural Sciences,2026,54(16):222.

备注/Memo

备注/Memo:
收稿日期：2024-01-26
基金项目：贵州省科技计划［编号：黔科合支撑(2021)一般176］。
作者简介：周江龙(2000—)，男，贵州六盘水人，硕士研究生，研究方向为机器学习、智能图像处理。E-mail：972203274@qq.com。
通信作者：王天一，博士，副教授，研究方向为深度学习、大数据与人工智能。E-mail：tywang@gzu.edu.cn。
更新日期/Last Update: 2024-08-20