[1]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):200-211.
　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(15):200-211.
点击复制

基于多阶段特征融合的MobileNet v3ULAM茶叶病害识别()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第15期
页码:
200-211
栏目:
农业工程与信息技术
出版日期:
2025-08-05

文章信息/Info

Title:
Identification of tea leaf disease based on MobileNet v3ULAM with multistage feature fusion
作者:
董虎胜1; 2; 鲜学丰1; 孙逊1; 杨元峰1
1.苏州市职业大学计算机工程学院，江苏苏州 215104； 2.江苏省现代企业信息化应用支撑软件工程技术研发中心，江苏苏州 215104
Author(s):
Dong Husheng; et al
关键词:
茶叶病害识别; MobileNet v3; 注意力机制; 边缘计算; 卷积神经网络
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
为了实现对茶园种植的智能化与精准化管理，针对自然场景下茶叶病害的快速与准确识别问题，提出了应用多阶段特征融合策略与ULAM 超轻量注意力对MobileNet v3网络作改进的轻量级茶叶病害识别模型。该模型在MobileNet v3网络中新增了1个分支，对网络各中间阶段的特征作拼接与变换处理，然后与原主干网络提取的特征融合，实现对中间阶段特征的复用，有效增强特征的判别力。为了改进MobileNet v3网络中SE注意力对空间信息处理不足和运算量较大的问题，还设计了一款ULAM注意力模块；ULAM不仅实现了对空间与通道信息的协同处理，还借助转置卷积运算显著降低了运算量，在该注意力模块中只有54个需要学习的参数，具有极为轻量的优势。在CIFAR10通用图像分类任务上，改进后的模型达到94.18%的识别准确率，比原MobileNet v3提高4.13百分点，综合性能优于常见CNN模型。在自建的茶叶常见病害数据集上，直接使用原始数据训练本研究模型可达到95.46%的平均识别准确率，相较于MobileNet v3提升3.34百分点。进一步采用数据平衡处理后，模型平均识别精度提升至9888%，能够准确地识别白星病、藻斑病、炭疽病等茶叶病害。本研究模型在参数量上比原始MobileNet v3进一步降低，因而适合在移动设备与农机等资源受限的场景中部署。
Abstract:
-

参考文献/References:

［1］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Las Vegas：IEEE，2016：770-778.
［2］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inceptionarchitecture for computer vision［C］//2016 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Las Vegas：IEEE，2016：2818-2826.
［3］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. (2014-09-04)［2024-07-09］. https：//arxiv.org/abs/1409.1556.
［4］Huang G，Liu Z，van der Maaten L，et al. Densely connected convolutional networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu：IEEE，2017：2261-2269.
［5］翟肇裕，曹益飞，徐焕良，等. 农作物病虫害识别关键技术研究综述［J］. 农业机械学报，2021，52(7)：1-18.
［6］邵明月，张建华，冯全，等. 深度学习在植物叶部病害检测与识别的研究进展［J］. 智慧农业(中英文)，2022，4(1)：29-46.
［7］Zeng W H，Li H D，Hu G S，et al. Lightweight dense-scale network (LDSNet) for corn leaf disease identification［J］. Computers and Electronics in Agriculture，2022，197：106943.
［8］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.
［9］任守纲，贾馥玮，顾兴健，等. 反卷积引导的番茄叶部病害识别及病斑分割模型［J］. 农业工程学报，2020，36(12)：186-195.
［10］赵越，赵辉，姜永成，等. 基于深度学习的马铃薯叶片病害检测方法［J］. 中国农机化学报，2022，43(10)：183-189.
［11］孙道宗，刘欢，刘锦源，等. 基于改进YOLO v4模型的茶叶病害识别［J］. 西北农林科技大学学报(自然科学版)，2023，51(9)：145-154.
［12］李子茂，徐杰，郑禄，等. 基于改进DenseNet的茶叶病害小样本识别方法［J］. 农业工程学报，2022，38(10)：182-190.
［13］Hu G S，Wu H Y，Zhang Y，et al. A low shot learning method for tea leafs disease identification［J］. Computers and Electronics in Agriculture，2019，163：104852.
［14］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-04-17)［2024-07-09］. https：//arxiv.org/abs/1704.04861.
［15］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［C］//2019 International Conference on Machine Learning. Long Beach：PMLR，2019：6105-6114.
［16］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：6848-6856.
［17］Han K，Wang Y H，Tian Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle：IEEE，2020：1577-1586.
［18］施杰，林双双，张威，等. 基于轻量化改进型YOLO v5s的玉米病虫害检测方法［J］. 江苏农业学报，2024，40(3)：427-437.
［19］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision. Seoul：IEEE，2019：1314-1324.
［20］李博，江朝晖，洪石兰，等. 基于边缘智能的茶叶病害识别［J］. 中国农机化学报，2022，43(6)：175-180.
［21］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.
［22］谭彬，蔡健荣，许骞，等. 基于注意力机制改进卷积神经网络的柑橘病虫害识别［J］. 江苏农业科学，2024，52(8)：176-182.
［23］Li L T，Zhao Y D. Tea disease identification based on ECA attention mechanism ResNet50 network ［J］. Frontiers in Plant Science，2025，16：1489655.
［24］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. Seattle：IEEE，2020：11531-11539.
［25］Bao W X，Zhu Z Q，Hu G S，et al. UAV remote sensing detection of tea leaf blight based on DDMA-YOLO［J］. Computers and Electronics in Agriculture，2023，205：107637.
［26］Xiao Y，Wu J，Ma C. GA-GhostNet：a lightweight CNN model for identifying pests and diseases using a gated multi-scale coordinate attention mechanism ［J］. Engineering Letters，2024，32(7)：1281-1290.
［27］Hou Q B，Zhou D Q，Feng J S. Coordinate attention for efficient mobile network design［C］// IEEE.2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Nashville，2021：13708-13717.
［28］Bochkovskiy A，Wang C Y，Liao H M. YOLO v4：optimal speed and accuracy of object detection［EB/OL］. (2020-04-23)［2024-07-09］. https：//arxiv.org/abs/2004.10934.
［29］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：7132-7141.
［30］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［C］//Computer Vision-ECCV 2018.Cham：Springer International Publishing，2018：3-19.
［31］Wang X L，Girshick R，Gupta A，et al. Non-local neural networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：7794-7803.
［32］Hughes D P，Salathe M. An open access repository of images on plant health to enable the development of mobile disease diagnostics［EB/OL］. (2015-11-25)［2024-07-09］. https：//arxiv.org/abs/1511.08060.

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(15):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(15):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(15):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(15):224.
[5]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.
　Zhou Jianglong,et al.A lightweight model for crop leaf disease identification based on deep learning[J].Jiangsu Agricultural Sciences,2024,52(15):230.
[6]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(15):194.
[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(15):222.

备注/Memo

备注/Memo:
收稿日期：2024-07-09
基金项目：苏州市科技计划(编号：SS202151、SNG2021037、SNGD202307)；2023年江苏省高校优秀科技创新团队项目。
作者简介：董虎胜(1981—)，男，江苏泗洪人，博士，副教授，主要从事深度学习与人工智能研究。E-mail：hsdong2012@QQ.com。
更新日期/Last Update: 2025-08-05