[1]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):222-229.
　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(4):222-229.
点击复制

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()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第4期
页码:
222-229
栏目:
病害智能检测
出版日期:
2026-02-20

文章信息/Info

Title:
Application of lightweight deep learning models in strawberry disease recognition： taking improved MobileNet v3small as an example
作者:
王彩萍; 卢雯皎; 吴燕
江苏农林职业技术学院，江苏句容 212400
Author(s):
Wang Caiping; et al
关键词:
MobileNet v3; 草莓病害; 数据增强; 全维动态卷积; SimAM模块
Keywords:
-
分类号:
S126；S436.68+4； TP391.41
DOI:
-
文献标志码:
A
摘要:
为解决草莓病害识别中的高准确率和低计算成本问题，特别是在移动设备上实现高效、准确的实时检测，针对传统人工识别方法耗时且准确度受限的问题，选择轻量级深度学习模型MobileNet v3-Small进行改进，借助引入全维动态卷积(ODConv)与SimAM模块的方式，提升模型对于多尺度特征的提取性能。具体而言，在第1个5×5深度可分离卷积层之后加入ODConv以捕捉低级特征如边缘和纹理，并在后续的深度可分离卷积层中继续添加ODConv，增强多尺度特征捕获能力。此外，在模型较深层添加了SimAM模块，该模块被置于最后一个卷积层后但在全局平均池化层前，以有效提升特征质量。试验基于一个包含3 437张训练图片和934张验证图片的数据集进行，覆盖了角斑病、炭疽果腐病等7种草莓病害类型。结果显示，改进后的模型在验证集上的准确率达到94.11%，较基础模型提升3.74百分点，尤其是在灰霉病、叶斑病和果实白粉病分类上的表现尤为突出。混淆矩阵分析结果显示，改进模型明显减少了错误分类数量并提高了正确分类的能力，精确率、召回率以及F1分数等各项评估指标均证明改进措施的有效性。综上所述，本研究通过改进MobileNet v3-Small网络结构实现了草莓病害的高效识别，明显提高了草莓病害识别的精确率。
Abstract:
-

参考文献/References:

［1］何雨霜，王琢，王湘平，等. 深度学习在农作物病害图像识别中的研究进展［J］. 中国农机化学报，2023，44(2)：148-155.
［2］姚建斌，张英娜，刘建华. 基于卷积神经网络和迁移学习的小麦病虫害识［J］. 华北水利水电大学学报(自然科学版)，2022，43(2)：102-108.
［3］刘敏，周丽. 基于多尺度特征融合网络的苹果病害叶片检测［J］. 中国农机化学报，2023，44(8)：184-190.
［4］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.
［5］熊梦园，詹炜，桂连友，等. 基于ResNet模型的玉米叶片病害检测与识别［J］. 江苏农业科学，2023，51(8)：164-170.
［6］黄铝文，郑梁，黄煜，等. 基于多尺度卷积与通道域增强的草莓病害识别方法［J］. 江苏农业科学，2023，51(10)： 202-210.
［7］Yu H L，Cheng X H，Chen C C，et al. Apple leaf disease recognition method with improved residual network［J］. Multimedia Tools and Applications，2022，81(6)：7759-7782.
［8］Ma L，Guo X L，Zhao S K，et al. Algorithm of strawberry disease recognition based on deep convolutional neural network［J］. Complexity，2021，2021：6683255.
［9］王晶，崔艳荣. 基于改进MobileNet v3-Small模型的草莓病害识别方法 ［J］. 江苏农业科学，2024，52(10)：225-234.
［10］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications ［EB/OL］. (2017-04-17)［2023-09-10］. http：//arxiv.org/abs/1704.04861.pdf.
［11］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.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：4510-4520.
［12］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition，Salt Lake City，UT，USA，2018： 7132-7141.
［13］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［EB/OL］.(2018-07-18)［2024-11-11］. https：//arxiv.org/abs/1807.06521.
［14］Cao Y，Xu J，Lin S，et al. GCNet：non-local networks meet squeeze-excitation networks and beyond［EB/OL］.(2019-04-25)［2024-11-11］. https：//arxiv.org/abs/1904.11492.
［15］Wang Q L，Wu B G，Zhu P F，et al. ECA-Net： efficient channel attention for deep convolutional neural networks［EB/OL］.(2020-04-07)［2024-11-11］. https：//arxiv.org/abs/1910.03151.
［16］Lee H J，Kim H E，Nam H. SRM：a style-based recalibration module for convolutional neural networks［EB/OL］.(2019-03-26)［2024-11-11］. https：//arxiv.org/pdf/1903.10829.
［17］彭炜烨. 高压传输线路绝缘子缺陷检测方法研究［D］. 沈阳：沈阳理工大学，2024.

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(4):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(4):205.
[3]王晶,崔艳荣.基于改进MobileNet v3-Small模型的草莓病害识别方法[J].江苏农业科学,2024,52(10):225.
　Wang Jing,et al.Strawberry disease identification method based on improved MobileNet v3-Small model[J].Jiangsu Agricultural Sciences,2024,52(4):225.
[4]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(4):225.
[5]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(4):224.
[6]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(4):230.
[7]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(4):200.
[8]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(4):194.
[9]王少芳,陈贤,崔艳荣,等.基于HTWYOLO的轻量化草莓病害检测方法[J].江苏农业科学,2025,53(20):262.
　Wang Shaofang,et al.A lightweight strawberry disease detection method based on HTWYOLO[J].Jiangsu Agricultural Sciences,2025,53(4):262.
[10]李艳,戴家豪,戴庆瑜.基于YOLOStrawberry的草莓病害检测模型[J].江苏农业科学,2025,53(20):272.
　Li Yan,et al.A detection model for strawberry diseases based on YOLOstrawberry[J].Jiangsu Agricultural Sciences,2025,53(4):272.

备注/Memo

备注/Memo:
收稿日期：2024-11-12
基金项目：江苏农林职业技术学院科技项目(编号：2022kj38)；江苏省高校自然科学基金(编号：23KJB180007)。
作者简介：王彩萍(1982—)，女，山东烟台人，硕士，实验师，主要从事大数据、图像识别等方面的研究。E-mail：23215542@qq.com。
更新日期/Last Update: 2026-02-20