樱桃叶部病害识别轻量化模型研究及应用

最新推荐文章于 2025-11-24 18:29:32 发布

原创最新推荐文章于 2025-11-24 18:29:32 发布 · 1.2k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

计算机视觉专栏收录该内容

24 篇文章

订阅专栏

【投稿赢 iPhone 17】「我的第一个开源项目」故事征集：用代码换C位出道！ 10w+人浏览 1.6k人参与

摘要：樱桃叶部病害识别对农业病害管理至关重要。本文基于轻量化深度学习模型 MobileNetV3，构建了樱桃叶部病害智能识别系统，采用迁移学习与数据增强方法进行训练，识别了黑结病、褐腐病、健康叶片、白粉病及严重白粉病。实验结果表明，该模型准确率超过 98%，具备快速识别和强泛化能力。结合科学栽培与防控措施，可有效降低病害发生，为樱桃病害智能诊断与绿色防控提供支持。

作者：Bob(原创)

算法概述

相对重量级网络而言，轻量级网络的特点是参数少、计算量小、推理时间短。更适用于存储空间和功耗受限的场景，例如移动端嵌入式设备等边缘计算设备。因此轻量级网络受到了广泛的关注，其中MobileNet可谓是其中的佼佼者。MobileNetV3经过了V1和V2前两代的积累，性能和速度都表现优异，受到学术界和工业界的追捧，无疑是轻量级网络的“抗把子“。MobileNetV3 参数是由NAS（network architecture search）搜索获取的，又继承的V1和V2的一些实用成果，并引人SE通道注意力机制，可谓集大成者。

图1 MobileNetV3 网络结构示意图

注意large和small的整体结构一致，区别就是基本单元bneck的个数以及内部参数上，主要是通道数目。

系统设计

本系统为基于轻量化卷积神经网络的樱桃叶部病害田间快速检测系统，面向田间实拍叶片图像，采用 MobileNetV3 进行高效推理。通过“数据输入—模型推理—结果展示”流程，实现对黑结病、褐腐病、健康叶片、白粉病及严重白粉病的精准识别与置信度输出，显著提升病害现场诊断与农业生产管理效率。

图3 系统整体流程图

数据集构建

1.数据来源
本数据集包含黑结病、褐腐病、健康叶片、白粉病及严重白粉病图像。数据源来自Google图像搜索，适用于樱桃叶部病害识别系统研究。

表1 数据集基本信息

图4 数据集图片

2.分类格式
该格式用于图像分类任务，广泛应用于包括MobileNetV3在内的深度学习模型训练。数据集中的图像将根据类别进行分类，以确保数据与模型的高效匹配，从而提升分类精度和推理效率。

图5 分类数据集格式

3.数据集划分
本研究使用的分类图像数据集仅包含按类别整理的图像文件，该数据集适用于图像分类任务，用于模型的训练与验证。

图5 数据集划分：测试集和训练集

模型训练

基于轻量化MobileNetV3网络，利用迁移学习和数据增强对樱桃叶片图像进行特征提取与分类，实现高效精准的病害识别，为樱桃叶部病害智能检测与防控提供支撑。

图6 模型训练流程图

以下是关于MobileNetV3模型训练过程中的配置文件和超参数设置，并通过配置文件以及相关参数进行训练设置。

表2 MobileNetV3模型训练超参数设置

2.模型性能评估
在MobileNetV3模型的训练过程中，模型性能评估是衡量其在图像分类任务中表现的重要环节，能够全面反映模型在分类精度和泛化能力方面的表现。科学而准确的评估不仅有助于揭示模型的优势与不足，还能为后续的改进与优化提供可靠依据。
（1）训练与验证准确率和损失曲线

图7 MobileNetV3训练与验证准确率和损失曲线

训练与验证曲线显示，模型在 5 个 epoch 后准确率超过 0.95，并趋近 1.0；损失值快速下降并稳定，训练与验证曲线基本重合，表明模型收敛快且无过拟合。数据增强与迁移学习有效提升了模型的泛化能力，确保其在田间应用中的稳定性与可靠性。

（2）混淆矩阵热力图

图8 MobileNetV3混淆矩阵热力图

混淆矩阵显示模型对各类别的识别准确，主对角线接近 1.0，唯一的轻微混淆发生在轻度白粉病与严重白粉病之间（误差 0.01）。这表明模型在区分两者时存在挑战，可能是由于视觉差异较小。通过增加样本或调整特征提取层可进一步优化识别效果。

（3）各类的分类性能评估：准确率、精确率、召回率与F1分数图

图9 各类的分类性能评估：准确率、精确率、召回率与F1分数图

模型性能表现优异，准确率（Accuracy）达 1.00，所有类别（黑结病、褐腐病、健康叶片、轻度白粉病、严重白粉病）的 Precision、Recall 和 F1-score 均接近 1.00，表明识别准确。模型训练充分，特征提取效果好，类别差异明显，数据质量高；MobileNetV3 的轻量化结构保证了高效推理同时不降低识别精度，展现了其在樱桃叶部病害识别中的高效性与可靠性。

（4）训练日志（Training Log）
训练日志记录了MobileNetV3模型在训练过程中的详细信息，包括训练轮次、每轮的损失值、验证准确率以及训练时间等，这些信息帮助评估模型的训练效果和性能。

图10 MobileNetV3训练日志

训练轮次30轮，耗时约28.1分钟，训练损失从0.574降至0.046，验证准确率从0.821提升至0.997。
经过 30 个训练周期后，模型在训练集上收敛稳定，损失显著降低；在验证集上准确率持续提升并最终达到 99.7%，说明模型具备极强的学习与泛化能力。轻量化的 MobileNetV3 架构在高效推理的同时保持了极高精度，能够准确区分黑结病、褐腐病、白粉病（轻度与严重）及健康叶片，为樱桃叶部病害的田间智能检测提供可靠技术支撑。

该系统硬件配置如下，如果您的电脑配置低于下述规格，模型训练时间及结果可能会与本系统的训练日志存在差异，请注意。