基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

摘要：

苹果生长过程中容易受到病害影响而减产,造成经济损失.大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用.轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者.为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块(convolutional block attention module,CBAM),提出了改进型ShuffleNet#苹果叶部病害诊断模型.以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试.以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较.结果表明:改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95％,移动端单张图像的平均推理时间为39.38ms.相较于大型的ResNet101网络,该模型在准确率上仅降低0.05％,但平均推理时间缩减87.94％,在识别速度和精度上获得了较好的平衡.基于该模型,开发了一款面向Android移动端的苹果叶部病害识别应用,测试结果表明,该应用能够满足果园内上述3种病害和健康叶片的实时识别需求,可为设计高效、轻量的病害诊断模型提供思路和参考.

关键词：病害识别、ShuffleNet V2、轻量化、卷积块注意模块、Android

所属期刊栏目：53

分类号：TP391(计算技术、计算机技术)

资助基金：辽宁省教育厅基础研究项目;国家重点研发计划

在线出版日期：2022-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：110-118