«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第51卷

期数:

2023年第19期

页码:

181-189

栏目:

农业工程与信息技术

出版日期:

2023-10-05

文章信息/Info

Title:

Development of grape leaf disease detection device based on lightweight neural network

作者:

许文燕¹; 2

1.广州南洋理工职业学院智能工程学院，广东广州 510925； 2.华南理工大学机械与汽车工程学院，广东广州 510641

Author(s):

Xu Wenyan

关键词:

葡萄病害; 检测系统; 轻量化; 树莓派; 边缘计算

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

葡萄叶部病害判别对于葡萄病害防治至关重要，如何快速准确判别葡萄叶部病害并采取相应防治措施对于现代葡萄生产管理具有重要指导意义。因此，为了满足果园葡萄叶部病害的快速识别与检测需求，研制了一款葡萄叶部病害快速识别与检测装置。首先，对原SqueezeNet进行改进，利用3×3卷积替换7×7卷积并减少其数量，同时调整Fire模块中1×1与3×3卷积核比例以及Fire模块位置，以达到降低模型内存需求、参数量的目的。然后，利用采集的葡萄病害图像训练改进模型，并与原模型进行对比分析。最后，将改进模型量化后部署在树莓派4B上进行识别与检测试验。试验结果表明，改进后的SqueezeNet模型内存需求、参数量分别由2.46 MB、125万减少为 0.52 MB、64万。与原模型相比，改进模型特征提取能力未出现明显下降，其识别准确率可达99.04%，仅比原模型低0.32百分点。对于真实环境下拍摄的葡萄叶片图像，所研制的葡萄叶部病害快速检测装置识别准确率可达95.75%，视频检测速度可达86帧/s。该装置能够满足果园葡萄病害快速识别与检测需求，可为现代果园葡萄病虫害检测与精准施药作业提供技术支持。

Abstract:

-

参考文献/References:

［1］王军，汪东方. 基于迁移学习和残差网络的农作物病害分类［J］. 农业工程学报，2021，37(4)：199-207.
［2］王书志，乔虹，冯全，等. 基于显著性目标检测的葡萄叶片病害分割［J］. 湖南农业大学学报(自然科学版)，2021，47(1)：101-107.
［3］苏仕芳，乔焰，饶元. 基于迁移学习的葡萄叶片病害识别及移动端应用［J］. 农业工程学报，2021，37(10)：127-134.
［4］田有文，李天来，李成华，等. 基于支持向量机的葡萄病害图像识别方法［J］. 农业工程学报，2007，23(6)：175-180.
［5］田有文. 基于纹理特征和支持向量机的葡萄病害的识别［J］. 仪器仪表学报，2005(增刊1)：606-608.
［6］王利伟，徐晓辉，苏彦莽，等. 基于计算机视觉的葡萄叶部病害识别研究［J］. 江苏农业科学，2017，45(23)：222-225.
［7］郑建华，朱立学，朱蓉. 基于多特征融合与支持向量机的葡萄病害识别［J］. 现代农业装备，2018(6)：54-60.
［8］赵小川，何灏. 深度学习理论及实战(MATLAB版)［M］. 北京：清华大学出版社，2021：35-39.
［9］刘媛，冯全. 葡萄病害的计算机识别方法［J］. 中国农机化学报，2017，38(4)：99-104.
［10］万军杰，祁力钧，卢中奥，等. 基于迁移学习的GoogLeNet果园病虫害识别与分级［J］. 中国农业大学学报，2021，26(11)：209-221.
［11］张梓婷，韩金玉，张东辉，等. 基于颜色矩的土豆、玉米、苹果叶片病害异常检测［J］. 浙江农业学报，2022，34(10)：2230-2239.
［12］陈道怀，汪杭军. 基于改进YOLO v4的林业害虫检测［J］. 浙江农业学报，2022，34(6)：1306-1315.
［13］王彦翔，张艳，杨成娅，等. 基于深度学习的农作物病害图像识别技术进展［J］. 浙江农业学报，2019，31(4)：669-676.
［14］樊湘鹏，许燕，周建平，等. 基于迁移学习和改进CNN的葡萄叶部病害检测系统［J］. 农业工程学报，2021，37(6)：151-159.
［15］何欣，李书琴，刘斌. 基于多尺度残差神经网络的葡萄叶片病害识别［J］. 计算机工程，2021，47(5)：285-291.
［16］刘阗宇，冯全，杨森. 基于卷积神经网络的葡萄叶片病害检测方法［J］. 东北农业大学学报，2018，49(3)：73-83.
［17］乔虹，冯全，张芮，等. 基于时序图像跟踪的葡萄叶片病害动态监测［J］. 农业工程学报，2018，34(17)：167-175.
［18］Krizhevsky A，Sutskever I，Hinton G E. Imagenet classification with deep convolutional neural networks［C］. Conference and Workshop on Neural Information Processing Systems (NIPS). 2012，25 (2)：1097-1105.
［19］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. arXiv，2014.
［20］Szegedy C，Liu W，Jia Y，et al. Going deeper with convolutions［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015：1-9.
［21］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision. arXiv 2015［J］. arXiv preprint arXiv：1512.00567，2016，1512.
［22］Bianco S，Cadene R，Celona L，et al. Benchmark analysis of representative deep neural network architectures［J］. IEEE access，2018，6：64270-64277.
［23］刘阳，高国琴. 采用改进的SqueezeNet模型识别多类叶片病害［J］. 农业工程学报，2021，37(2)：187-195.
［24］李坤伦，魏泽发，宋焕生. 基于SqueezeNet卷积神经网络的车辆颜色识别［J］. 长安大学学报(自然科学版)，2020，40(4)：109-116.
［25］吴军，邱阳，卢忠亮. 基于改进的SqueezeNet的人脸识别［J］. 科学技术与工程，2019，19(11)：218-223.
［26］余志锋，熊邦书，李新民，等. 基于改进的SqueezeNet直升机滚动轴承故障诊断［J］. 航空动力学报，2021，37(6)：1162-1170.
［27］张玉皓，李立钢. 改进的SqueezeNet网络在船舶分类中的应用［J］. 传感器与微系统，2022，41(1)：150-152.
［28］赵小川. 深度学习经典案例解析(基于MATLAB)［M］. 北京：机械工业出版社，2021：2-3.
［29］Chollet F. Xception：Deep learning with depthwise separable convolutions［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017：1251-1258.
［30］李就好，林乐坚，田凯，等. 改进Faster R-CNN的田间苦瓜叶部病害检测［J］. 农业工程学报，2020，36(12)：179-185.
［31］He K，Zhang X，Ren S，et al. Deep residual learning for image recognition［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016：770-778.
［32］Huang G，Liu Z，Van Der Maaten L，et al. Densely connected convolutional networks［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017：4700-4708.
［33］Howard A G，Zhu M，Chen B，et al. Mobilenets：Efficient convolutional neural networks for mobile vision applications［J］. arXiv preprint arXiv：1704.04861，2017.
［34］肖伟，冯全，张建华，等. 基于小样本学习的植物病害识别研究［J］. 中国农机化学报，2021，42(11)：138-143.
［35］Iandola F N，Han S，Moskewicz M W，et al. SqueezeNet：AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size［J］. arXiv preprint arXiv：1602.07360，2016.
［36］Srivastava N，Hinton G，Krizhevsky A，et al. Dropout：a simple way to prevent neural networks from overfitting［J］. The journal of machine learning research，2014，15(1)：1929-1958.
［37］Szegedy C，Ioffe S，Vanhoucke V，et al. Inception-v4，inception-resnet and the impact of residual connections on learning［C］//Proceedings of the AAAI Conference on Artificial Intelligence，2017.
［38］刘洋，冯全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35(17)：194-204.
［39］周志华. 机器学习［M］. 北京：清华大学出版社，2016：28-33
［40］Van der Maaten L，Hinton G. Visualizing data using t-SNE［J］. Journal of Machine Learning Research，2008，9(11)：2579-2605.
［41］张宏丽，白翔宇. 利用优化剪枝GoogLeNet的人脸表情识别方法［J］. 计算机工程与应用，2021，57(19)：179-188.
［42］苏宝峰，沈磊，陈山，等. 基于注意力机制的葡萄品种多特征分类方法［J］. 农业机械学报，2021，52(11)：226-233.
［43］孙红，乔金博，李松，等. 基于深度学习的玉米拔节期冠层识别方法及检测装置研制［J］. 农业工程学报，2021，37(21)：53-61.

相似文献/References:

[1]武海,田立国,汪建国,等.基于NI-DAQmx 的植物电信号检测系统[J].江苏农业科学,2014,42(12):326.
　Wu Hai,et al.Study on plant electrical signal detection system based on NI-DAQmx[J].Jiangsu Agricultural Sciences,2014,42(19):326.
[2]郝婧,刘桂礼,李响.基于近红外光谱和LabVIEW技术的番茄抗灰霉病检测系统[J].江苏农业科学,2016,44(11):408.
　Hao jing,et al.Design of testing system for tomato Botrytis cinerea based on near-infrared spectroscopy and LabVIEW[J].Jiangsu Agricultural Sciences,2016,44(19):408.
[3]王利伟,徐晓辉,苏彦莽,等.基于计算机视觉的葡萄叶部病害识别研究[J].江苏农业科学,2017,45(23):222.
　Wang Liwei,et al.Study on recognition of grape leaf diseases based on computer vision[J].Jiangsu Agricultural Sciences,2017,45(19):222.
[4]戴久竣,马肄恒,吴坚,等.基于改进残差网络的葡萄叶片病害识别[J].江苏农业科学,2023,51(5):208.
　Dai Jiujun,et al.Grape leaf disease identification based on improved residual network[J].Jiangsu Agricultural Sciences,2023,51(19):208.
[5]张立强,武玲梅,蒋林利,等.基于改进YOLO v8s的葡萄叶片病害检测[J].江苏农业科学,2024,52(21):221.
　Zhang Liqiang,et al.Detection of grape leaf disease based on improved YOLO v8s[J].Jiangsu Agricultural Sciences,2024,52(19):221.
[6]刘宇雄,兰艳亭,陈晓栋.基于级联式分组注意力机制的葡萄病害识别模型[J].江苏农业科学,2025,53(5):121.
　Liu Yuxiong,et al.Grape disease recognition model based on cascaded group attention mechanism[J].Jiangsu Agricultural Sciences,2025,53(19):121.

备注/Memo

备注/Memo:

收稿日期：2023-02-27
基金项目：广东省普通高校青年创新人才项目(编号：2020KQNCX245)；广东省普通高校重点领域专项(编号：2022ZDZX3093)；广州南洋理工职业学院创新科研团队项目(编号：NY-2021CQ-KYTD002)。
作者简介：许文燕(1990—)，女，陕西汉中人，硕士，讲师，研究方向为基于深度学习的目标检测。E-mail：543646597@qq.com。

常用功能

更新日期/Last Update: 2023-10-05