基于轻量级CNN的植物病害识别方法及移动端应用

• 作者: 冯全 刘洋 王书志
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 植物 病害 图像识别 MobileNet Inception V3 Android
• 年，卷（期）: 2019,（17）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 194-204
• 页数: 11页
• 分类号: S43|TP391.41
• 字数: 8830字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2019.17.024

摘要

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型.试验表明,MobileNet和Inception V3在PlantVillage数据集(共38类26种病害)上平均识别率分别是 95.02%和 95.62%.在自建图像集葡萄病害叶片的识别中 MobileNet 和 Inception V3 平均识别率分别是 87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5 和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快.说明MobileNet更适合在手机端进行植物病害识别应用.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王书志	西北民族大学电气工程学院	26	112	5.0	9.0
2	冯全	甘肃农业大学机电工程学院	64	369	11.0	14.0
3	刘洋	甘肃农业大学机电工程学院	15	44	4.0	6.0