基于深度学习的农作物病态叶片识别算法

为了解决目前农作物病态叶片识别方法中存在参数量多、模型结构复杂、识别准确率不高以及很难向移动端部署等诸多方面的问题,结合农作物病态叶片的相关特征,以番茄叶片为代表,将番茄的9种病态叶片和健康叶片作为研究对象,从网络模型的轻量化角度出发,通过引入ECA-Net注意力模块、设计多尺度特征融合结构以及精简网络结构并优化激活函数来改进MobileNetV3-Small轻量级卷积神经网络.实验结果表明,改进后的模型参数量约为0.29 MiB,仅为原模型的3/10,其平均识别准确率为99.54％,在CPU上识别单张图片耗时约27 ms.与ResNet50、ShuffleNetV2、EfficientNet-b0以及InceptionV3相比,改进后的模型能够更好地兼顾精度与性能两个方面,具备一定的竞争优势.可以看出,文章提出的方法可以在确保模型的识别精度处于一个较高水平的同时,大大缩减模型参数量,提高模型的检测速度,便于将模型迁移至资源受限的田间移动设备上进行使用.