基于改进MobileNet v3-Small模型的草莓病害识别方法

为了对草莓病害进行及时的诊断与治疗而提升草莓产量,将深度学习与农业生产结合以快速高效地进行病害检测。传统神经网络进行病害识别时间较长,参数量较大,难以迁移到移动端设备上,基于此提出一种改进MobileNet v3-Small模型的识别方法。首先收集了7类常见草莓病害图像样本(如角斑病、叶斑病等),通过旋转、镜像等多种数据增强方式对图像进行处理以增加图片数量,提高模型泛化能力。接着以MobileNet v3-Small模型为基础,基于原始Inception_A提出部分卷积权值共享的多尺度卷积结构,以更高效地提取草莓病害不同尺度特征。随后,在网络深层引入了ULSAM轻量级子注意力机制,形成草莓病害更高层次的抽象表示。同时,将深度可分离卷积中的第2个PW卷积替换为CondConv卷积形成PDC结构,克服了PW卷积只拥有局部感受野的缺陷,同时也降低了模型参数量。试验结果表明,改进后的MobileNet v3-Small模型准确率达到98.62%,较原模型94.91%的准确率提高了3.71百分点,并且参数量减少了0.04 M,远优于同级轻量化模型,且以远低于ResNet18的参数量取得更好的特征提取效果。综上所述,本研究所提出的改进后的MobileNet v3_Small模型能更好地在真实场景下进行草莓病害识别,为草莓生产贡献了一份力量,助力智慧农业发展。