基于改进MobileNetV2 模型的农作物叶片病害识别研究

doi:10.15933/j.cnki.1004-3268.2023.04.017

河南农业科学 ›› 2023, Vol. 52 ›› Issue (4): 143-151.DOI: 10.15933/j.cnki.1004-3268.2023.04.017

所属专题：病虫害识别专题

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于改进MobileNetV2 模型的农作物叶片病害识别研究

王焕鑫¹，沈志豪¹，刘泉²，刘金江²

（1.南阳师范学院生命科学与农业工程学院，河南南阳 473000；2.南阳师范学院计算机科学与技术学院，河南南阳 473000）

收稿日期:2022-12-30 出版日期:2023-04-15 发布日期:2023-05-15
通讯作者: 刘金江（1974-），男，河南新乡人，教授，硕士，主要从事图像大数据研究。E-mail：nytc@sina.com
作者简介:王焕鑫（1998-），男，河南周口人，在读硕士研究生，研究方向：图像处理。E-mail：2020086000058@nynu.edu.cn
基金资助:
河南省教育厅人文社会科学研究项目（2021-ZZJH-262）；河南省自然科学基金青年科学基金项目（202300410301）

Identification of Crop Leaf Diseases Based on Improved MobileNetV2 Model

WANG Huanxin¹，SHEN Zhihao¹，LIU Quan²，LIU Jinjiang²

（1.College of Life Science and Agricultural Engineering，Nanyang Normal University，Nanyang 473000，China；2.College of Computer Science and Technology，Nanyang Normal University，Nanyang 473000，China）

Received:2022-12-30 Published:2023-04-15 Online:2023-05-15

摘要/Abstract

摘要： 为实现基于移动端的农作物叶部病害图像便捷识别，提高农作物病害识别效率进而更好地指导作物病害防治，基于改进的轻量级卷积神经网络MobileNetV2建立农作物病害识别模型。首先，建立含有15 种病害叶片和4 种健康叶片的农作物数据集，采用数据增强操作进行数据平衡。其次，对MobileNetV2 进行改进，引入高效通道注意力（Efficient channel attention，ECA）与注意力特征融合（Attentional feature fusion，AFF），并通过模型剪枝去除冗余层，建立了高性能的轻量级农作物病害识别模型。结果表明：改进MobileNetV2模型参数量与初始MobileNetV2参数量相比减少15.37%，同时识别准确率提升0.9个百分点，达到了98.4%。相比EfficientNet-b0、ShuffleNetV2-0.5X等经典卷积神经网络模型，改进的模型不仅识别准确率最高，且训练过程收敛速度更快。

关键词: MobileNetV2, 卷积神经网络, 农作物病害, 轻量型, 注意力机制, 特征融合, 模型剪枝

Abstract: In order to achieve convenient recognition of crop leaf disease images based on mobile，improve the efficiency of crop disease recognition and thus better guide crop disease control，a crop disease recognition model was established based on an improved lightweight convolutional neural network MobileNetV2.First，a crop dataset containing 15 types of diseased leaves and 4 types of healthy leaves was created and the data was balanced using data enhancement operations.Second，based on the improvement of MobileNetV2，efficient channel attention（ECA）and attentional feature fusion（AFF）were introduced，and the redundant layers were removed by model pruning，and a high⁃performance lightweight crop disease recognition model was proposed.The results showed that the number of parameters of the improved MobileNetV2 model was reduced by 15.37% compared with that of MobileNetV2，while the recognition accuracy was improved by 0.9 percentage points to 98.4% compared with that before the improvement.Compared with the classical convolutional neural network models such as EfficientNet⁃b0 and ShuffleNetV2⁃0. 5X，the improved model not only had the highest recognition accuracy，but also had a faster convergence rate during training.

Key words: MobileNetV2, Convolutional neural network, Crop disease, Lightweight, Attention mechanism, Feature fusion, Model pruning

中图分类号:

S126

王焕鑫, 沈志豪, 刘泉, 刘金江. 基于改进MobileNetV2 模型的农作物叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 143-151.

WANG Huanxin, SHEN Zhihao, LIU Quan, LIU Jinjiang. Identification of Crop Leaf Diseases Based on Improved MobileNetV2 Model[J]. Journal of Henan Agricultural Sciences, 2023, 52(4): 143-151.

参考文献

［1］汪京京，张武，刘连忠，等.农作物病虫害图像识别技术的研究综述［J］.计算机工程与科学，2014，36（7）：1363⁃1370.
WANG J J，ZHANG W，LIU L Z，et al.Summary of crop diseases and pests image recognition technology［J］.Computer Engineering and Science，2014，36（7）：1363⁃1370.
［2］徐艳蕾，贾洪雷，包佳林.基于模糊顺序形态学的植物叶片脉络边缘提取［J］.农业工程学报，2015，31（13）：193⁃198.
XU Y L，JIA H L，BAO J L.Plant leaf vein edge detection based on fuzzy order morphology［J］.Transactions of the Chinese Society of Agricultural Engineering，2015，31（13）：193⁃198.
［3］宋凯，孙晓艳，纪建伟.基于支持向量机的玉米叶部病害识别［J］.农业工程学报，2007，23（1）：155⁃157.
SONG K，SUN X Y，JI J W. Corn leaf disease recognition based on suport vector machine method［J］.Transactions
of the Chinese Society of Agricultural Engineering，2007，23（1）：155⁃157.
［4］张建华，祁力钧，冀荣华，等.基于粗糙集和BP神经网络的棉花病害识别［J］.农业工程学报，2012，28（7）：161⁃167.
ZHANG J H，QI L J，JI R H，et al.Cotton disease identification based on rough sets and BP neural network［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28（7）：161⁃167.
［5］MOHANTY S P，HUGHES D P，SALATHÉ M.Using deep learning for image⁃based plant disease detection［J］.Frontiers in Plant Science，2016，7：1419.
［6］SLADOJEVIC S，ARSENOVIC M，ANDERLA A，et al.Deep neural networks based recognitionof plant diseases by leaf image classification［J］.Computational Intelligence and Neuroscience，2016，6：3289801.
［7］刘翱宇，吴云志，朱小宁，等.基于深度残差网络的玉米病害识别［J］.江苏农业学报，2021，37（1）：67⁃74.
LIU A Y，WU Y Z，ZHU X N，et al.Corn disease recognition based on deep residual network［J］.Jiangsu Journal of Agricultural Sciences，2021，37（1）：67⁃74.
［8］KRIZHEVSKY A，SUTSKEVER I，HINTON G E.Imagenet classification with deep convolutional neural networks［J］.Communications of the ACM，2017，60（6）：84⁃90.
［9］万颖.基于卷积神经网络的水稻病害识别［D］.南昌：江西农业大学，2021.
WAN Y.Recognition of rice disease based on convolutional neural network［D］.Nanchang：Jiangxi Agricultural University，2021.
［10］SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large⁃scale image recognition［J］.Computer Vision and Pattern Recognition，2014，9：1409⁃1556.
［11］牛晓伟.基于机器视觉的番茄病害识别系统的研究［D］.兰州：兰州理工大学，2021.
NIU X W.Research on tomato disease recognition system based on machine vision［D］.Lanzhou：Lanzhou University of Technology，2021.
［12］HE K，ZHANG X，REN S，et al.Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.［S.I.］：IEEE，2016：770⁃778.
［13］龙吟.基于卷积神经网络的农作物病害识别方法研究［D］.武汉：武汉轻工大学，2020.
LONG Y.Research on deep learning method of crop disease identification［D］.Wuhan：Wuhan Polytechnic University，2020.
［14］曹跃腾，朱学岩，赵燕东，等.基于改进ResNet的植物叶片病虫害识别［J］.中国农机化学报，2021，42（12）：175⁃181.
CAO Y T，ZHU X Y，ZHAO Y D，et al.Recognition of plant leaf diseases，insect，and pests based on improved ResNet［J］.Journal of Chinese Agricultural Mechanization，2021，42（12）：175⁃181.
［15］HOWARD A G，ZHU M，CHEN B，et al.Mobilenets：Efficient convolutional neural networks for mobile vision applications［J］.Computer Vision and Pattern Recognition，2017，4：04861.
［16］ZHANG X，ZHOU X，LIN M，et al.Shufflenet：An extremely efficient convolutional neural network for mobile devices ［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.［S. I. ］：IEEE，2018：6848⁃6856.
［17］祝盖林.基于深度学习的农作物病害图像识别方法与应用研究［D］.南昌：南昌大学，2021.
ZHU G L.Research on crop disease image recognition method and application based on deep learning［D］.Nanchang：Nanchang University，2021.
［18］刘洋.手机端植物病害识别与严重程度估计［D］.兰州：甘肃农业大学，2021.
LIU Y.Plant disease recognition and severity assessment in mobile phone［D］.Lanzhou： Gansu Agricultural University，2021.
［19］张旭，周云成，刘忠颖，等.基于改进ShuffleNetV2模型的苹果叶部病害识别及应用［J］.沈阳农业大学学报，2022，53（1）：110⁃118.
ZHANG X，ZHOU Y C，LIU Z Y，et al.Identification and application of apple leaf diseases based on improved ShuffleNetV2 model［J］.Journal of Shenyang Agricultural University，2022，53（1）：110⁃118.
［20］刘洋，冯全，王书志.基于轻量级CNN的植物病害识别方法及移动端应用［J］.农业工程学报，2019，35（17）：194⁃204.
LIU Y，FENG Q，WANG S Z.Plant disease identification method based on lightweight CNN and mobile application［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（17）：194⁃204.
［21］SANDLER M，HOWARD A，ZHU M，et al.Mobilenetv2：Inverted residuals and linear bottlenecks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.［S.I.］：IEEE，2018：4510⁃4520.
［22］WANG Q，WU B，ZHU P，et al.ECA⁃Net：Efficient channel attention for deep convolutional neural networks［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.［S.I.］：IEEE，2020：11534⁃11542.
［23］DAI Y，GIESEKE F，OEHMCKE S，et al.Attentional feature fusion［C］//Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision.［S.I.］：IEEE，2021：3560⁃3569.
［24］刘阳，高国琴.采用改进的SqueezeNet模型识别多类叶片病害［J］.农业工程学报，2021，37（2）：187⁃195.
LIU Y，GAO G Q.Identification of multiple leaf diseases using improved SqueezeNet model［J］.Transactions of the Chinese Society of Agricultural Engineering，2021，37（2）：187⁃195.

[1]	李东亚, 白涛, 香慧敏, 戴硕, 王震鲁, 陈珍. 基于RoBERTa 多特征融合的棉花病虫害命名实体识别[J]. 河南农业科学, 2024, 53(2): 152-161.
[2]	于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰. 基于改进ShuffleNet V2 的柑橘病害识别研究[J]. 河南农业科学, 2024, 53(1): 142-151.
[3]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[4]	钟斌, 杨珺, 刘毅, 任锦涛. 基于改进DINO的牧场杂草检测[J]. 河南农业科学, 2023, 52(9): 156-163.
[5]	李伟豪, 詹炜, 周婉, 韩涛, 王佩文, 刘虎, 熊梦园, 孙泳, . 轻量型Yolov7-TSA 网络在茶叶病害检测识别中的研究与应用[J]. 河南农业科学, 2023, 52(5): 162-169.
[6]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[7]	吕宗旺, 王玉琦, 孙福艳. 基于改进U-Net 的不同容重小麦籽粒识别检测[J]. 河南农业科学, 2023, 52(10): 141-152.
[8]	王迎超, 张婧婧, 贾东霖, 周腾飞. 基于K-means 聚类和改进MLP的苹果分级研究[J]. 河南农业科学, 2023, 52(1): 161-171.
[9]	金晶, 毛星, 张欣, 刘杨, 陆学文, 任妮 . 基于Sentinel-2 影像的淡水养殖水生动物类型识别研究[J]. 河南农业科学, 2022, 51(4): 160-170.
[10]	刘江鹏, 牛群峰, 靳毅, 陈霞, 王莉, 袁强. 基于高效通道注意力机制与多尺度特征融合的烟丝图像识别方法研究[J]. 河南农业科学, 2022, 51(11): 145-154.
[11]	王川, 赵恒滨, 李国强, 张建涛, 高桐梅, 赵巧丽, 郑国清. 基于改进YOLOX模型的芝麻蒴果检测方法研究[J]. 河南农业科学, 2022, 51(11): 155-162.
[12]	冯晓, 李丹丹, 王文君, 郑国清, 刘海礁, 孙永胜, 梁山, 杨莹, 臧贺藏, 张辉. 基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别[J]. 河南农业科学, 2021, 50(4): 174-180.
[13]	薛勇, 王立扬, 张瑜, 沈群. 基于卷积神经网络的蜜蜂采集花粉行为的识别方法[J]. 河南农业科学, 2020, 49(8): 162-172.
[14]	濮永仙. 基于病斑特征融合的烟草病害图像检索方法[J]. 河南农业科学, 2015, 44(2): 71-76.

基于改进MobileNetV2 模型的农作物叶片病害识别研究

Identification of Crop Leaf Diseases Based on Improved MobileNetV2 Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics