基于改進MobileNet v3的蘋果葉片病害識別方法及移動端應用

張風偉 朱成杰 朱洪波

張風偉，朱成杰，朱洪波. 基于改進MobileNet v3的蘋果葉片病害識別方法及移動端應用［J］. 江蘇農(nóng)業(yè)科學，2024，52（7）：205-213.

doi：10.15889/j.issn.1002-1302.2024.07.028

（安徽理工大學電氣與信息工程學院，安徽淮南 232001）

摘要：準確識別蘋果葉片病害種類以進行及時防治對于蘋果增量增產(chǎn)具有重要的意義，為實現(xiàn)在移動設備實時對蘋果葉片進行病害識別，提高蘋果的產(chǎn)量，減少種植者的損失。首先收集了黑星病、斑點落葉病、銹病、白粉病、混合病、褐斑病等6種蘋果葉部病害和健康葉片的圖像，并使用Retinex算法對圖像進行數(shù)據(jù)增強，以提高數(shù)據(jù)集質量，然后將數(shù)據(jù)集按照8 ∶[KG-*3]1 ∶[KG-*3]1的比例劃分為訓練集、驗證集和測試集；其次對MobileNet v3網(wǎng)絡模型進行改進優(yōu)化調整，在精簡網(wǎng)絡結構的同時減少冗余參數(shù)，并在非線性激活層后加入批歸一化層，以提高網(wǎng)絡的特征提取能力；同時，為了提升在低精度移動設備上的準確性和模型運行效率，將全連接層中的激活函數(shù)替換為ReLU6函數(shù)；最后，在模型訓練時使用動量隨機梯度下降優(yōu)化器來進行模型權重系數(shù)的尋優(yōu)，以減少訓練時間和達到更高的分類準確率。試驗結果表明，改進后的MobileNet v3-A3網(wǎng)絡對蘋果葉片病害圖像的識別準確率為96.48%，模型權重為2.98 MB，識別速率為8.82 ms/幅圖片，與其他同量級卷積神經(jīng)網(wǎng)絡相比識別精度更高、模型更小、識別速度更快。本研究使用Android Studio將權重模型封裝到安卓軟件中，實現(xiàn)了移動設備對蘋果葉片病害的準確快速識別。

關鍵詞：蘋果；葉部病害；圖像識別；MobileNet v3；Android

中圖分類號：TP391.41? 文獻標志碼：A? 文章編號：1002-1302（2024）07-0205-09

蘋果具有極其豐富的營養(yǎng)成分，含有多種維生素、礦物質以及微量元素。隨著我國蘋果行業(yè)的快速發(fā)展，蘋果病害已經(jīng)成為日益嚴重的問題［1］。常見的蘋果病害包括銹病、黑星病、斑點落葉病和白粉病等，而正確識別和有效防治這些病害對于提高蘋果產(chǎn)量和質量至關重要，是影響我國蘋果產(chǎn)業(yè)發(fā)展的關鍵因素［2］。蘋果病害的發(fā)生范圍極其廣泛，從果實、葉片到根、莖都可能發(fā)生病害，其中葉片部位病害的發(fā)生頻率最高，而且特征明顯，容易被采集和獲取，因此成為診斷蘋果植株健康的主要依據(jù)。然而，傳統(tǒng)的病害識別方法仍然存在著靈活性、可靠性和時效性上的不足，無法滿足對病害的快速診斷需求［3-4］。通過計算機視覺技術，可以從植物葉片的形態(tài)結構、色彩紋理等信息中提取出有價值的特征，從而實現(xiàn)多維度、多參數(shù)數(shù)據(jù)的可視化，使人工智能成為一種有效的疾病診斷手段，可以更快更準確地發(fā)現(xiàn)病癥。

隨著深度學習領域研究的不斷加深，卷積神經(jīng)網(wǎng)絡（CNN）被廣泛運用在計算機視覺處理上［5］，成為植物葉片病害識別的不二選擇。劉陽等使用PlantVillage公開的數(shù)據(jù)集加以試驗，并使用改進的SqueezeNet模型運用遷移學習和梯度下降法加以訓練，成功實現(xiàn)了對多類葉片病害的識別［6］。黃英來等將ResNet-50模型中的ReLU激活函數(shù)替換為LeakyReLU函數(shù)，提出了一種改進的深度殘差網(wǎng)絡模型對玉米葉片病害進行識別［7］。李鑫然等通過特征金字塔網(wǎng)絡整合了具有細節(jié)信息的淺層特征和具有語義信息的深層次特征，提出了改進的Faster_RCNN模型，提煉出蘋果葉片病害的有效特征［8］。劉洋等基于MobileNet與Inception v3提出2種輕量級卷積神經(jīng)網(wǎng)絡作物病害分類模型［9］。楊森等以Xception網(wǎng)絡模型為基礎的馬鈴薯外部缺陷改進無損分級方法［10］。以上研究都證明了卷積神經(jīng)網(wǎng)絡運用在植物葉片檢測方面的可行性，其中不乏使用輕量化模型取得較好分類結果的案例，并呈現(xiàn)出了模型結構小型化的趨勢。通常情況下，擁有更多層數(shù)的CNN性能會更加優(yōu)秀，但也帶來了更大的內(nèi)存需求和計算負荷量，如何解決這一問題，成為CNN在智能手機等嵌入式設備上大規(guī)模應用的關鍵點。

本研究以MobileNet v3網(wǎng)絡為基礎網(wǎng)絡，通過減少卷積層、通道數(shù)量、調整卷積核大小等方法精簡網(wǎng)絡結構，結合批歸一化和替換激活函數(shù)等方法，實現(xiàn)基于手機圖像的蘋果病害葉片分類，提高網(wǎng)絡對病害葉片的識別能力和在移動端運行的性能。經(jīng)過對MobileNet v3的系統(tǒng)性改進，模型的體積進一步縮小，計算速率也更快，因此，本研究將改進后的MobileNet v3-A3網(wǎng)絡模型進行格式轉換，利用Android Studio軟件將其移植到移動端，開發(fā)出了一款蘋果葉片病害識別手機應用程序。

1 材料與方法

1.1 試驗圖像數(shù)據(jù)及預處理

本研究以飛槳AI Studio網(wǎng)站上開源的Plant-Pathology數(shù)據(jù)集為基礎，通過對數(shù)據(jù)集中的圖片進行逐一校對篩選，選出4 826張黑星病、4 624張健康葉片、3 181張斑點落葉病、1 860張銹病、1 184張白粉病、混合病1 602張、褐斑病686張等7個類別的蘋果葉片圖片，共17 963張。圖像格式為.jpg，并將圖片分辨率統(tǒng)一為1 000像素×668像素，以減少模型訓練時間。Plant-Pathology數(shù)據(jù)集中各類葉片數(shù)量為686～4 826張，直接采用這樣的數(shù)據(jù)會造成樣本分級不均的嚴重問題，會對訓練模型的準確率造成不良影響。通過采用多種數(shù)據(jù)增廣方法，對樣本量較少的類別原始數(shù)據(jù)進行處理，可以顯著提升訓練模型的泛化能力，進而大大提高其魯棒性［11］。

Retinex圖像增強算法可以抑制圖像中不均勻的光照，并能進行亮度增強、細節(jié)保護和圖像去噪。本研究采用Retinex圖像增強算法對原始圖像數(shù)據(jù)集中、樣本量少的類別進行圖像增強處理，使用多尺度視網(wǎng)膜算法 （MSR）增強銹病、白粉病和混合病圖片，使用單尺度視網(wǎng)膜算法（SSR）、多尺度視網(wǎng)膜算法和色彩恢復的多尺度視網(wǎng)膜增強算法（MSRCP）等增強褐斑病圖片，部分增強后的樣本示例如圖1 所示。黑星病、健康葉片和斑點落葉病圖片數(shù)據(jù)樣本充足，且識別結果較好，因此未進行數(shù)據(jù)增強。試驗葉片樣本的數(shù)量在數(shù)據(jù)增強后增加到23 696張，按照8 ∶1 ∶1的比例劃分訓練集、驗證集和測試集，擴充后的葉片病蟲害種類和數(shù)目如表1所示。

1.2 MobileNet v3 網(wǎng)絡模型

伴隨AlexNet、VGGNet、GoogleNet和ResNet等卷積神經(jīng)網(wǎng)絡的開發(fā)，網(wǎng)絡性能和穩(wěn)定性獲得了顯著提升，但網(wǎng)絡層數(shù)也在不斷增加，帶來了運行效率上的問題［12-16］。輕量化模型采用更高效的計算方式，擁有的參數(shù)較少，解決了內(nèi)存占用和計算速度的問題，使CNN真正走出了實驗室。MobileNet v3是谷歌提出的一種輕量化卷積神經(jīng)網(wǎng)絡［17］，其基本網(wǎng)絡單元如圖2所示。它延用了MobileNet v2模型中的倒置殘差構造，即先升維，采用深度可分解卷積，然后再降維，這樣可以降低網(wǎng)絡參數(shù)，提高運行速度［18］。模型中還引入SE架構輕量級的注意力機制，在訓練過程中能有效地提升有用特征的權重，同時抑制無用特征的權重［19］。

本研究旨在改進MobileNet v3模型，以提高其識別精度和減小模型尺寸，使其能夠更好地應用于移動終端，以實現(xiàn)將蘋果葉片病害識別模型應用于移動終端的任務。為此，本研究對表2中MobileNet v3-[JP]large網(wǎng)絡模型的結構進行了調整優(yōu)化，以實現(xiàn)在大樣本數(shù)據(jù)集上快速訓練和模型部署。

深度可分離卷積是MobileNet v3模型的核心單元，它可以將普通卷積分解為深度卷積和逐點卷積。根據(jù)圖3可對卷積的工作過程及計算量進行深度可分離分析。在圖3-a中，深度卷積先對輸入的特征圖進行分解，得到M個通道的特征圖，而后，每個特征通道會分別被1×1的卷積核進行卷積，經(jīng)卷積后的M個特征會被合并，輸出計算深度卷積為Dk×Dk×M×DF×DF的結果；逐點卷積運算與常規(guī)卷積運算比較相似，即對深度卷積輸出的特征圖使用1×1×M的卷積核在深度方向上進行加權組合，所以從圖3-b可以看出，逐點卷積的計算量是M×DF×DF×N。與傳統(tǒng)的卷積計算量相比深度可分離卷積的計算量為

Dk·Dk·M·DF·DF+M·N·DF·DFDF·DF·M·Dk·Dk·N=1N+1D2k。（1）

通過對普通卷積和深度可分離卷積的計算量對比，可以看出，輕量化卷積網(wǎng)絡MobileNet v3在使用了這種卷積以后，網(wǎng)絡層的計算量大大下降了。

1.3 模型改進設計

由于本研究需要識別的葉片類型為7類，因此，首先將最后一個卷積層的輸出通道數(shù)由1 000修改為7。一般來說，較深的網(wǎng)絡系統(tǒng)具備更強的非線性表達能力，可以更準確地捕捉復雜的特征，但是如果網(wǎng)絡深度過深，就會導致梯度不穩(wěn)、網(wǎng)絡退化等問題。為選擇合適的模型深度，首先將超參數(shù)reduce_divider從1調整為4，超參數(shù)reduce_divider會影響bneck13的輸出通道數(shù)和bneck14、15的輸入、輸出通道以及bneck內(nèi)倒殘差結構升維后的通道數(shù)，其表現(xiàn)公式為

finalchannels=channels/reduce_divider。（2）

式中：finalchannels為最終通道數(shù)，channels為原始通道數(shù)。經(jīng)調整后bneck13的輸出通道由160縮減為40，bneck14、15的輸入通道和輸出通道由160縮減為40，倒殘差結構升維后的通道數(shù)由960縮減為240。其次，移除bneck3、6、8～10層模塊，以壓縮網(wǎng)絡深度，避免可能出現(xiàn)的梯度問題，并將改動后的模型命名為MobilenNet v3-A1。改進后的網(wǎng)絡結構如圖4所示。

通過合理配置圖像輸入分辨率、網(wǎng)絡深度和寬度3個參數(shù)，網(wǎng)絡性能可以得到有效的改善。網(wǎng)絡的[CM（21]寬度大，深度淺，要想學到更深層次的特征是非常困難的。因此，為在捕捉更多的特征同時，減少寬度特征提取過程中的性能浪費，將超參數(shù)寬度系數(shù)α從默認值1調整至0.8。對MobileNet v3網(wǎng)絡從深度、寬度和通道數(shù)等方面進行精簡優(yōu)化，使得網(wǎng)絡運行時計算的數(shù)據(jù)量變少，降低了訓練負擔，提升了運行效率，使得網(wǎng)絡部署在移動端更加方便。

MobileNet v3網(wǎng)絡模型利用SE通道注意力模塊作為網(wǎng)絡的全連接層，可以將學習到的通道注意力信息與輸入特征圖相結合，最終得到具有通道注意力的特征圖［19］。該注意力機制模塊中的第一個全連接層使用ReLU作為激活函數(shù)，ReLU激活函數(shù)將輸入的負值置為0，而其余的值不變，其公式為

ReLU［x］=max（0，x）。（3）

ReLU激活函數(shù)在特征擬合上的表現(xiàn)很不錯，但是這個激活函數(shù)輸出范圍為0～+∞，當激活值很大時，在低精度移動設備上運行會帶來精確度的損耗。

為解決移動端精度損失問題，本研究選擇ReLU6激活函數(shù)替換原網(wǎng)絡SE通道模塊中的ReLU函數(shù)，ReLU6激活函數(shù)在ReLU激活函數(shù)的基礎上將輸出最大值限制為6，公式為

ReLU6［x］= min［6，max（0，x）］。（4）

該激活函數(shù)將激活范圍限制在0～6之間，可以很好地解決低精度移動嵌入式設備計算能力不足帶來的精度下降和運行耗時長的問題。經(jīng)試驗發(fā)現(xiàn)，將激活函數(shù)替換為ReLU6后，帶來的訓練準確率下降微乎其微，可忽略不計，并將改動后的模型命名為MobilenNet v3-A2。

批歸一化可以保證每層網(wǎng)絡的輸入和輸出數(shù)據(jù)分布不會產(chǎn)生較大的變化，從而避免了內(nèi)部協(xié)變量發(fā)生偏移的現(xiàn)象，避免了樣本數(shù)據(jù)分布不均帶來的模型預測更傾向大量樣本類別的問題［20］。此外，批歸一化還能夠使深度神經(jīng)網(wǎng)絡的訓練更加順暢，對初始值的敏感性降低，從而提高了訓練效率，并且能夠通過較大的學習率來加速收斂。在先前改進的基礎上，本研究對神經(jīng)網(wǎng)絡中非線性激活函數(shù)的輸出信息再一次批歸一化處理，以平衡中間層的數(shù)據(jù)分布，減少輸出層信息對下一級的負面影響，從而提高網(wǎng)絡系統(tǒng)的性能和準確性。通過對樣本的重新選擇，可以有效適應不同的數(shù)據(jù)集，解決數(shù)據(jù)分布不均帶來的小數(shù)量樣本識別率低的問題，同時也大大提升了原有網(wǎng)絡結構的泛化能力，將改動后的模型命名為MobilenNet v3-A3。結合批歸一化改進后的BN結構如圖5所示。

2 結果與分析

2.1 試驗平臺和試驗參數(shù)設置

在Windows11 64位系統(tǒng)上，使用PyTorch作為深度學習框架，硬件環(huán)境為計算機內(nèi)存16 GB，搭載Intel?CoreTM i5-1135G7 @ 2.40GHz數(shù)據(jù)處理器，GPU為NVIDIA GeForce MX450。軟件環(huán)境：PyTorch 1.10.1，cuDNN V8.2，Python 3.8，CUDA Tookit 11.2。

2.2 模型參數(shù)對改進MobileNet v3網(wǎng)絡模型的影響分析驗平臺和試驗參數(shù)設置

過大或過小的學習率都會對訓練準確率曲線的收斂造成影響，過小的學習率會導致收斂速度降低，增加訓練時間，而過大的學習率可能會導致曲線無法收斂，使模型的訓練無法找到最優(yōu)解。因此，本研究首先對隨機梯度下降優(yōu)化器（SGD）、自適應矩估計優(yōu)化器（Adam）、指數(shù)加權平均梯度下降優(yōu)化器（RMSprop）和動量隨機梯度下降優(yōu)化器（Momentum SGD） 4種常用的優(yōu)化器進行試驗對比，以選擇合適的優(yōu)化器，提高模型的訓練效率。將4種優(yōu)化器的學習率設置為0.01和0.001，來研究MobileNet v3網(wǎng)絡在2個學習率下2種優(yōu)化器的訓練表現(xiàn)，訓練準確率變化趨勢如圖6所示。由圖6可知，經(jīng)過100輪迭代訓練后，2種優(yōu)化器的訓練準確率曲線都趨于收斂。其中，學習率為0.01時的Momentum SGD優(yōu)化器曲線表現(xiàn)最好，訓練準確率始終高于其他7條曲線。由表3可知，采用0.01學習率時的Momentum SGD優(yōu)化器比0.01學習率的SGD優(yōu)化器準確率高出3.29百分點，比0.001學習率的Adam優(yōu)化器準確率高出0.85百分點，比0.001學習率的RMSprop優(yōu)化器準確率高出2.94百分點。因此，本研究選用0.01學習率、動量設置為0.9的Momentum SGD優(yōu)化器作為后續(xù)試驗的優(yōu)化器，訓練輪數(shù)統(tǒng)一設置為200輪，批次樣本設置為16。

2.3 數(shù)據(jù)增強對模型分類能力的影響

本研究對銹病、白粉病、混合病和褐斑病4類樣本圖片進行了數(shù)據(jù)增強，其他類別樣本數(shù)量充足未進行增強，這4類病害樣本增強前后的識別精確率如表4所示。以MobileNet v3網(wǎng)絡數(shù)據(jù)增強前后精確率為例，在使用Retinex圖像增強算法的MSR方法后，銹病識別精確率由93.6%增長到95.7%，白粉病識別精確率由95.1%增長到96.8%，混合病識別精確率由81.7%增長到83.8%，在使用Retinex圖像增強算法的SSR、MSR和MSRCP這3種方法后，褐斑病識別精確率由89.6%增長到93.2%，是識別準確率提高幅度最大的類別。以上結果表明，通過使用Retinex圖像增強算法處理原始數(shù)據(jù)，在提高了數(shù)據(jù)多樣性的同時，網(wǎng)絡模型的識別精確率也得到了一定提升。

2.4 改進MobileNet v3網(wǎng)絡模型逐步改進性能對比

利用7種蘋果葉片病害圖像數(shù)據(jù)集，經(jīng)過數(shù)據(jù)增強，在200輪迭代后，模型逐步改進的性能參數(shù)如表5所示，MobileNet v3-A1模型與MobileNet v3模型相比，準確率有1.09百分點的提升，權重下降了11.29 MB，說明在精簡網(wǎng)絡結構的同時對網(wǎng)絡深度進行降低，不僅可以減小模型計算量，還能在一定程度上提高準確率。

MobileNet v3-A2模型與MobileNet v3-A1模型相比，準確率下降0.37百分點，權重下降了2.33 MB，說明收窄模型的寬度并替換SE通道注意力機制中的ReLU6激活函數(shù)，在降低計算量的同時也會帶來一定的準確率下降。MobileNet v3-A3模型較MobileNet v3-A2模型準確率提升了1.43百分點，權重增大0.4 MB，說明結合批歸一化對BN進行改進，在提高準確率的同時也帶來了計算量的增加。

本研究改進的MobileNet v3-A3模型訓練準確率高達96.48%。模型改進前后的準確率和損失函數(shù)變化分別如圖7-a和圖7-b所示。

從圖7可以看出，改進后的模型訓練準確率曲線在大約120次迭代后已經(jīng)基本收斂，而且損失函數(shù)的波動變化較原來的網(wǎng)絡要小一些，收斂的速度也要快一些。從準確率曲線來看，改進后的模型，準確率的提升速度更快，曲線波動也更小，訓練準確率始終高于原網(wǎng)絡，改進效果較為明顯。

在對MobileNet v3、MobileNet v3-A3、ShuffleNet v2、EfficientNet-B0、RegNet、MobileViT、ConvNeXt、ResNet-50和DenseNet-121等網(wǎng)絡模型進行200次迭代訓練后，得到了表6所示的試驗結果。

改進后的MobileNet v3模型，參數(shù)量是0.76 M，約為原模型的1/5，模型大小僅有2.98 MB，[JP3]約是原模型的1/5，運算速度減少到0.092×109次/s，準確率達到了96.48%，較原模型高出2.15百分點。從表6可以看出，與其他圖像分類網(wǎng)絡相比，改進后的MobileNet v3-A3模型在參數(shù)量、訓練時間和模型大小方面有著很大的優(yōu)勢，準確率及其他各項指標都有一定的提高。其他網(wǎng)絡模型中，準確率最高的是EfficientNet-BO網(wǎng)絡，準確率為94.75%，但與改進后的MobileNet v3-A3網(wǎng)絡相比，準確率低1.73百分點，訓練模型多12.62 MB，參數(shù)量多4.52×10 M，訓練時間更是多出680 min。

2.5 改進MobileNet v3模型病害種類識別情況分析[HT]

在圖像分類問題中，判斷模型性能優(yōu)劣，僅靠識別準確率是不夠的，當數(shù)據(jù)集的數(shù)據(jù)分布不均衡時，會出現(xiàn)總體準確率很高，但對少數(shù)樣本的類別識別錯誤的情況。因此，本研究分析了各網(wǎng)絡模型對蘋果葉片不同病害的分類精確率、召回率和F1得分，具體情況如表7所示。從表7可以看出，改進后的MobileNet-A3網(wǎng)絡對健康葉片的識別效果最好，F(xiàn)1得分接近99%，其次是銹病、斑點落葉病、黑星病，F(xiàn)1得分均在96%以上，對混合病和褐斑病的識別效果較差，F(xiàn)1得分在94%以下。

改進后的MobileNet v3-A3網(wǎng)絡模型混淆矩陣如圖8-a所示，可以看出，使用改進后的MobileNet v3-A3網(wǎng)絡模型對2 370張葉片病害圖片測試集進行測試，僅有84張病害圖像分類錯誤，錯分類別數(shù)量最大的是混合病，共錯分23張，其次是黑星病錯分19張，其他類別的病害圖片分類錯誤較少，總體分類效果優(yōu)異。本研究通過進一步分析不同葉片病害數(shù)據(jù)集的錯分情況可知，葉片病害部位的顏色和形狀特征是其分類過程中的重要依據(jù)，當樣本葉片中含有多種病害時，某一病害特征表現(xiàn)不明顯時易發(fā)生分類錯誤。

2.6 Android手機端識別軟件開發(fā)

本研究Windows操作系統(tǒng)下的Android軟件開發(fā)環(huán)境包含JDK、Android Studio和AndroidSDK共3個部分。JDK包含JAVA運行環(huán)境（JVM+JAVA系統(tǒng)庫）和JAVA工具，是整個JAVA開發(fā)的核心；Android Studio是安卓應用程序開發(fā)IDE，可以幫助開發(fā)者進行安卓程序的編寫；AndroidSDK是Google公司向開發(fā)者免費提供Android軟件開發(fā)工具包，可以幫助開發(fā)者進行安卓程序的封裝［21-24］。

為了更準確快速地檢測蘋果葉片的不同病害，本次研發(fā)使用PyTorch Mobile框架，將經(jīng)過訓練的改進MobileNet v3-A3訓練模式配備到安卓設備上。首先，在電腦端將訓練模式轉換成TorchScript形式的.pt格式文件。然后，在Android Studio軟件環(huán)境中開發(fā)蘋果葉片病害分類手機應用APP，APP主要包括前端界面和后端處理程序。在.xml文件上進行前端顯示界面的布局設計， 設置了3個標簽按鈕，分別是本地圖庫、拍照識別、實時檢測。點擊拍照識別按鈕，軟件會調用手機攝像頭，可以對蘋果葉片進行拍攝，點擊本地圖庫按鈕可在本地內(nèi)存選擇照片。通過拍照獲取的圖片和本地圖庫的圖片信息將被傳輸?shù)紸PP的主界面顯示，后端用Java語言編寫的處理程序對圖像進行處理后，對這些圖片進行壓縮，并使用.pt格式的TorchScript模型進行識別，最終將識別結果呈現(xiàn)在主界面上，以便用戶更加直觀地查看病害信息。點擊實時檢測按鈕，會出現(xiàn)新的相機界面，在這個界面中，程序后端會實時調用攝像頭獲取圖片，并將顯示在屏幕中的圖片信息實時調用TorchScript模型進行判斷識別， 識別的結果可以實時顯示在界面上方。圖9-a顯示的是使用本地圖庫圖片識別功能后，對1張?zhí)O果銹病的準確識別圖，圖9-b則是對蘋果葉片實時檢測的準確識別圖。

在將網(wǎng)絡的訓練模型遷移部署到移動端制成蘋果葉片病害識別APP后，對網(wǎng)絡的軟件內(nèi)存占用和識別速度進行了測試，改進后的MobileNet v3-A3網(wǎng)絡APP，僅有9.7 MB大小，識別1張圖片的時間僅需8.82 ms。

3 結論

本研究使用了包含蘋果健康、銹病、黑星病、斑點落葉病、褐斑病、白粉病和混合病葉片共7種蘋果葉片公開圖像數(shù)據(jù)集，并使用Retinex算法進行圖像增強，為使模型更好地運行在移動端對MobileNet v3進行了針對性的改進，通過加入批歸一化層，來提高網(wǎng)絡的特征提取能力，同時，將全連接層中的激活函數(shù)替換為ReLU6函數(shù)，提升在低精度移動設備上的準確性和效率。在經(jīng)過對模型的改進后，模型對各類蘋果葉片的分類準確率達到了96.48%，分類效果較好。使用改進后的MobileNet v3-A3網(wǎng)絡進行模型訓練，將識別準確率最高的模型轉換成TorchScript格式模型后，將模型封裝制成APP后移植部署到移動端設備， 實現(xiàn)了使用移動端軟件對蘋果葉片病害的快速準確識別。

參考文獻：

［1］胡清玉，胡同樂，王亞南，等. 中國蘋果病害發(fā)生與分布現(xiàn)狀調查［J］. 植物保護，2016，42（1）：175-179.

［2］Sun H N，Xu H W，Liu B，et al. MEAN-SSD：a novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks［J］. Computers and Electronics in Agriculture，2021，189：106379.

［3］王云露，吳杰芳，蘭 鵬，等. 基于改進Faster R-CNN的蘋果葉部病害識別方法［J］. 林業(yè)工程學報，2022，7（1）：153-159.

［4］Singh V，Misra A K. Detection of plant leaf diseases using image segmentation and soft computing techniques［J］. Information Processing in Agriculture，2017，4（1）：41-49.

［5］Zeiler M D，F(xiàn)ergus R. Visualizing and understanding convolutional networks［C］//European Conference on Computer Vision.Cham：Springer International Publishing，2014：818-833.

［6］劉 陽，高國琴. 采用改進的SqueezeNet模型識別多類葉片病害［J］. 農(nóng)業(yè)工程學報，2021，37（2）：187-195.

［7］黃英來，艾 昕. 改進殘差網(wǎng)絡在玉米葉片病害圖像的分類研究［J］. 計算機工程與應用，2021，57（23）：178-184.

［8］李鑫然，李書琴，劉 斌. 基于改進Faster R＿CNN的蘋果葉片病害檢測模型［J］. 計算機工程，2021，47（11）：298-304.

［9］劉 洋，馮 全，王書志. 基于輕量級CNN的植物病害識別方法及移動端應用［J］. 農(nóng)業(yè)工程學報，2019，35（17）：194-204.

［10］楊 森，馮 全，張建華，等. 基于輕量卷積網(wǎng)絡的馬鈴薯外部缺陷無損分級［J］. 食品科學，2021，42（10）：284-289.

［11］鮑文霞，吳 剛，胡根生，等. 基于改進卷積神經(jīng)網(wǎng)絡的蘋果葉部病害識別［J］. 安徽大學學報（自然科學版），2021，45（1）：53-59.

［12］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［13］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. ArXiv e-Prints，2014：arXiv：1409.1556.

［14］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］ //2015 IEEE Conference on Computer Vision and Pattern Recognition.June 7-12，2015，Boston，MA.IEEE，2015：1-9.

［15］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul，Korea （South）.IEEE，2019：1314-1324.

［16］熊夢園，詹 煒，桂連友，等. 基于ResNet模型的玉米葉片病害檢測與識別［J］. 江蘇農(nóng)業(yè)科學，2023，51（8）：164-170.

［17］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：4510-4520.

［18］劉夢倫，趙希梅，魏 賓. 基于MobileNet v2-ELM的肝硬化識別［J］. 青島大學學報（自然科學版），2019，32（4）：17-21.

［19］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：7132-7141. [HJ1.6mm]

［20］Ioffe S，Szegedy C. Batch normalization：accelerating deep network training by reducing internal covariate shift［C］//Proceedings of the 32nd International Conference on Machine Learning. New York：ICML Press，2015：448-456.

［21］Prasad S，Peddoju S K，Ghosh D. Multi-resolution mobile vision system for plant leaf disease diagnosis［J］. Signal，Image and Video Processing，2016，10（2）：379-388.

［22］Li D F，Wang Z G，Xue Y B. Fine-grained Android Malware Detection based on Deep Learning［C］//2018 IEEE Conference on Communications and Network Security （CNS）.Beijing，China.IEEE，2018：1-2.

［23］戴建國，賴軍臣. 基于圖像規(guī)則與Android手機的棉花病蟲害診斷系統(tǒng)［J］. 農(nóng)業(yè)機械學報，2015，46（1）：35-44.

［24］馬艷娜，唐 華，柯紅軍. 基于移動終端的遙感監(jiān)測數(shù)據(jù)采集系統(tǒng)設計與實現(xiàn)［J］. 測繪與空間地理信息，2017，40（4）：120-122.? [ZK）][HT][HJ][FL）]

基金項目：國家自然科學基金（編號：62003001）。

作者簡介：張風偉（1998—），男，山東濰坊人，碩士研究生，主要從事圖像處理研究。E-mail：1014678682@qq.com。

通信作者：朱成杰，博士，副教授，碩士生導師，主要從事嵌入式系統(tǒng)的研究與應用、圖像處理與分類算法的研究。E-mail：ahhbzcj@126.com。