基于轻量化模型的植物病害识别系统研究.pdfVIP

摘要

植物病虫害防治和检测对全球农业生产至关重要。传统检测方法依赖人工观

察，主观性强且效率低，而深度学习病虫害检测方法近年来虽取得显著进展，但

仍面临识别准确率不高、环境复杂和模型部署资源限制等问题。针对这些问题，

本文提出了一种基于轻量化神经网络架构和注意力机制的植物病害识别分类模

型MobileNet-Cbase，并结合基于BN层稀疏化的迭代剪枝策略进行模型压缩，

最终得到优化后的Cut-MobileNet模型。本文的研究内容如下：

（1）本文采用了一种适用于植物病害数据集的扩增方法，通过随机图像处

理增加数据集的多样性和丰富度，提升模型在复杂自然环境中的泛化能力和识别

准确度。实验数据集包含32种植物病害，经筛选和预处理后共7274张图像用于

模型训练。

（2）设计了一个基于轻量化架构的MobileNet-Cbase模型，通过引入改进的

倒置残差结构和CBAM注意力机制，有效扩大了感受野范围，提升了特征提取

能力，同时减少了模型的参数量和计算量。实验结果表明，初步构建的Mobile

Net-Cbase模型识别准确率达到92.8%，参数量为5.3M。

（3）采用优化的模型剪枝策略进一步压缩模型，得到Cut-MobileNet模型。

实验结果表明，经剪枝优化后的Cut-MobileNet模型在在保证94%准确率的同时，

参数量从5.3M降低至2.4M，推理速度相比于MobileNetV3提升了约2.7倍，

单张图片推理时间明显缩短。此外，Cut-MobileNet模型在浮点运算量（FLOPs）、

准确率、F1分数等指标上均优于现有轻量化模型，包括MobileNetV3、Squeez

eNet、GoogLeNet以及传统非轻量化模型，如VisionTransformer、AlexNet，满

足在资源有限型终端设备的部署条件。

最后，该模型通过ONNX-TFLite框架转换，成功在Android平台部署，并开

发出植物病害识别APP。实际应用测试表明，该APP能够快速准确地识别植物

病害，推理时间仅需2ms，为资源有限的移动端部署提供了一个潜在方案。

关键词：深度学习；植物病害识别分类；轻量化神经网络；注意力机制；模型

部署

I

Abstract

Theprevention,control,anddetectionofplantpestsanddiseasesareof

paramountimportancetoglobalagriculturalproduction.Traditionaldetection

methods,whichrelyonmanualobservation,sufferfromhighsubjectivityandlow

efficiency.Althoughsignificantprogresshasbeenmadeindeeplearning-basedpest

anddiseasedetectionmethodsinrecentyears,theystillfacechallengessuchaslow

recognitionaccuracy,environmentalcomplexity,andresourceconstraintsformodel

deployment.Toaddresstheseissues,thispaperproposesaplantdiseaseidentification

andclassificationmodel,MobileNet-Cbase,basedonalightweightneuralnetwork

architectureandanattentionmechanism.This