|本期目录/Table of Contents|

[1]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):225-231.
　Zheng Chaojie,et al.Tomato leaf disease recognition based on lightweight convolutional neural network[J].Jiangsu Agricultural Sciences,2024,52(11):225-231.
点击复制

基于轻量化卷积神经网络的番茄叶片病害识别(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第11期
页码:
225-231
栏目:
农业工程与信息技术
出版日期:
2024-06-05

文章信息/Info

Title:
Tomato leaf disease recognition based on lightweight convolutional neural network
作者:
郑超杰1; 李少波2; 蒲睿强1; 张涛1
1.贵州大学机械工程学院，贵州贵阳 550025； 2.贵州大学省部共建公共大数据国家重点实验室，贵州贵阳 550025
Author(s):
Zheng Chaojie; et al
关键词:
番茄叶片病害; 数据增强; MobileNet v3; 敏感度分析; 轻量化模型
Keywords:
-
分类号:
TP391.41；S126
DOI:
-
文献标志码:
A
摘要:
传统的卷积神经网络在番茄叶部病害识别中存在结构复杂、参数庞大等问题，导致难以在移动设备上实现良好的应用效果。因此，提出一种基于轻量化卷积神经网络的番茄叶片病害识别方法。首先，将番茄叶片病害图片进行数据增强扩充，保证数据分布均匀；其次，绘制MobileNet v3模型基于扩充数据集tomato2的敏感度分析曲线图，根据敏感度分析曲线图对模型的输出通道数进行裁剪，构建轻量化卷积神经网络模型MobileNet v3-Prune；最后，运用4种卷积神经网络及其对应的轻量化模型对番茄叶片病害图片训练进行试验对比。结果表明，MobileNet v3-Prune对番茄叶片病害识别性能最佳，在测试集上的平均识别准确率达到了99.60%，模型权重仅为3.69 MB，单张图片识别时间为12.13 ms。本研究结果可以为移动设备上的番茄叶片病害识别应用的实现提供理论支持。
Abstract:
-

参考文献/References:

［1］谭海文，吴永琼，秦莉，等. 我国番茄侵染性病害种类变迁及其发生概况［J］. 中国蔬菜，2019(1)：80-84.
［2］陈伟文，邝祝芳，王忠伟. 基于卷积神经网络的种苗病害识别方法［J］. 中南林业科技大学学报，2022，42(7)：35-43.
［3］徐振南，王建坤，胡益嘉，等. 基于MobileNet v3的马铃薯病害识别［J］. 江苏农业科学，2022，50(10)：176-182.
［4］胡玲艳，周婷，刘艳，等. 基于轻量级网络自适应特征提取的番茄病害识别［J］. 江苏农业学报，2022，38(3)：696-705.
［5］孙文杰，牟少敏，董萌萍，等. 基于卷积循环神经网络的桃树叶部病害图像识别［J］. 山东农业大学学报(自然科学版)，2020，51(6)：998-1003.
［6］林建吾，张欣，陈孝玉龙，等. 基于轻量化卷积神经网络的番茄病害图像识别［J］. 无线电工程，2022，52(8)：1347-1353.
［7］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.
［8］帖军，隆娟娟，郑禄，等. 基于SK-EfficientNet的番茄叶片病害识别模型［J］. 广西师范大学学报(自然科学版)，2022，40(4)：104-114.
［9］周巧黎，马丽，曹丽英，等. 基于改进轻量级卷积神经网络MobileNet v3的番茄叶片病害识别［J］. 智慧农业，2022，4(1)：47-56.
［10］牛学德，高丙朋，南新元，等. 基于改进DenseNet卷积神经网络的番茄叶片病害检测［J］. 江苏农业学报，2022，38(1)：129-134.
［11］谢家兴，陈斌瀚，彭家骏，等. 基于改进ShuffleNet v2的荔枝叶片病虫害图像识别［J］. 果树学报，2023，40(5)：1024-1035.
［12］徐健，胡道杰，刘秀平，等. 基于改进型RFB-MobileNet v3的棉杂图像检测［J］. 纺织学报，2023，44(1)：179-187.
［13］陈桂芬，赵姗，曹丽英，等. 基于迁移学习与卷积神经网络的玉米植株病害识别［J］. 智慧农业，2019，1(2)：34-44.
［14］孙海燕，陈云博，封丁惟，等. 基于注意力模型和轻量化YOLO v4的林业害虫检测方法［J］. 计算机应用，2022，42(11)：3580-3587.
［15］白祉旭，王衡军，郭可翔. 基于图像颜色随机变换的对抗样本生成方法［J］. 计算机科学，2023，50(4)：88-95.
［16］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.
［17］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［J］. ArXiv e-Prints，2017：arXiv：1704.04861.
［18］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.
［19］Thakkar V，Tewary S，Chakraborty C. Batch normalization in convolutional neural Networks-a comparative study with CIFAR-10 data［C］//2018 Fifth International Conference on Emerging Applications of Information Technology (EAIT).Kolkata：IEEE，2018：1-5.
［20］Li H，Kadav A，Durdanovic I，et al. Pruning filters for efficient ConvNets［EB/OL］. (2016-09-15)［2023-09-01］. https：//arxiv.org/pdf/1608.08710.pdf.

相似文献/References:

[1]崔艳荣,卞珍怡,高英宁.基于生成对抗网络的花卉识别方法[J].江苏农业科学,2022,50(22):200.
　Cui Yanrong,et al.Flower recognition method based on generative adversarial networks[J].Jiangsu Agricultural Sciences,2022,50(11):200.
[2]赵赫,李卫国,杨止谦.基于改进YOLOv4的降雨天气下番茄目标与抓取位置检测[J].江苏农业科学,2023,51(1):202.
　Zhao He??et al.Detection of tomato target and grasping position in rainy weather by improved YOLOv4[J].Jiangsu Agricultural Sciences,2023,51(11):202.
[3]马晓,邢雪,武青海.基于改进ConvNext的复杂背景下玉米叶片病害分类[J].江苏农业科学,2023,51(19):190.
　Ma Xiao,et al.Maize leaf disease classification under complex background based on improved ConvNext[J].Jiangsu Agricultural Sciences,2023,51(11):190.
[4]肖天赐,陈燕红,李永可,等.基于改进通道注意力机制的农作物病害识别模型研究[J].江苏农业科学,2023,51(24):168.
　Xiao Tianci,et al.Study on crop disease identification model based on improved channel attention mechanism[J].Jiangsu Agricultural Sciences,2023,51(11):168.
[5]李名博,任东悦,郭俊旺,等.基于改进YOLOX-S的玉米病害识别[J].江苏农业科学,2024,52(3):237.
　Li Mingbo,et al.Maize disease identification based on improved YOLOX-S[J].Jiangsu Agricultural Sciences,2024,52(11):237.
[6]封成智,刘强德,王志伟,等.基于深度学习的番茄叶片病害可视化识别技术研究[J].江苏农业科学,2025,53(5):174.
　Feng Chengzhi,et al.Study on visual recognition technology of tomato leaf disease based on deep learning[J].Jiangsu Agricultural Sciences,2025,53(11):174.
[7]王九玲,周会国,李文峰.基于轻量化密集尺度网络的番茄叶片病害识别算法[J].江苏农业科学,2025,53(5):156.
　Wang Jiuling,et al.Tomato leaf disease recognition algorithm based on lightweight dense scale network[J].Jiangsu Agricultural Sciences,2025,53(11):156.

备注/Memo

备注/Memo:
收稿日期：2023-07-05
基金项目：国家自然科学基金面上项目(编号：52275480)；贵州省烟草公司贵阳市公司科技项目(编号：2022-14)。
作者简介：郑超杰(1999—)，男，贵州贵阳人，硕士研究生，主要从事深度学习与人工智能研究。E-mail：cjzheng161@163.com。
通信作者：李少波，博士，教授，主要从事大数据与智能制造研究。E-mail：lishaobo@guz.edu.cn。
更新日期/Last Update: 2024-06-05