基于轻量级CNN的植物病害识别方法及移动端应用

摘要：

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型.试验表明,MobileNet和Inception V3在PlantVillage数据集(共38类26种病害)上平均识别率分别是 95.02%和 95.62%.在自建图像集葡萄病害叶片的识别中 MobileNet 和 Inception V3 平均识别率分别是 87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5 和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快.说明MobileNet更适合在手机端进行植物病害识别应用.

关键词：植物、病害、图像识别、MobileNet、Inception V3、Android

所属期刊栏目：35

分类号：S43;TP391.41(病虫害及其防治)

资助基金：甘肃农业大学学科建设专项基金GAU-XKJS-2018-188;国家自然基金61461005

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：194-204