張風(fēng)偉 朱成杰 朱洪波

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

doi：10.15889/j.issn.1002-1302.2024.07.028

（安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001）

摘要：準(zhǔn)確識別蘋果葉片病害種類以進(jìn)行及時防治對于蘋果增量增產(chǎn)具有重要的意義，為實(shí)現(xiàn)在移動設(shè)備實(shí)時對蘋果葉片進(jìn)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(diǎn)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(jìn)行數(shù)據(jù)增強(qiáng)，以提高數(shù)據(jù)集質(zhì)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(xùn)練集、驗(yàn)證集和測試集；其次對MobileNet v3網(wǎng)絡(luò)模型進(jìn)行改進(jìn)優(yōu)化調(diào)整，在精簡網(wǎng)絡(luò)結(jié)構(gòu)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(luò)的特征提取能力；同時，為了提升在低精度移動設(shè)備上的準(zhǔn)確性和模型運(yùn)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(xùn)練時使用動量隨機(jī)梯度下降優(yōu)化器來進(jìn)行模型權(quán)重系數(shù)的尋優(yōu)，以減少訓(xùn)練時間和達(dá)到更高的分類準(zhǔn)確率。試驗(yàn)結(jié)果表明，改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)對蘋果葉片病害圖像的識別準(zhǔn)確率為96.48%，模型權(quán)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(luò)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(quán)重模型封裝到安卓軟件中，實(shí)現(xiàn)了移動設(shè)備對蘋果葉片病害的準(zhǔn)確快速識別。

關(guān)鍵詞：蘋果；葉部病害；圖像識別；MobileNet v3；Android

中圖分類號：TP391.41? 文獻(xiàn)標(biāo)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(zhì)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(yán)重的問題［1］。常見的蘋果病害包括銹病、黑星病、斑點(diǎn)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(zhì)量至關(guān)重要，是影響我國蘋果產(chǎn)業(yè)發(fā)展的關(guān)鍵因素［2］。蘋果病害的發(fā)生范圍極其廣泛，從果實(shí)、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(jì)算機(jī)視覺技術(shù)，可以從植物葉片的形態(tài)結(jié)構(gòu)、色彩紋理等信息中提取出有價值的特征，從而實(shí)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(zhǔn)確地發(fā)現(xiàn)病癥。

隨著深度學(xué)習(xí)領(lǐng)域研究的不斷加深，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛運(yùn)用在計(jì)算機(jī)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(yàn)，并使用改進(jìn)的SqueezeNet模型運(yùn)用遷移學(xué)習(xí)和梯度下降法加以訓(xùn)練，成功實(shí)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(jìn)的深度殘差網(wǎng)絡(luò)模型對玉米葉片病害進(jìn)行識別［7］。李鑫然等通過特征金字塔網(wǎng)絡(luò)整合了具有細(xì)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(jìn)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(luò)作物病害分類模型［9］。楊森等以Xception網(wǎng)絡(luò)模型為基礎(chǔ)的馬鈴薯外部缺陷改進(jìn)無損分級方法［10］。以上研究都證明了卷積神經(jīng)網(wǎng)絡(luò)運(yùn)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(jié)果的案例，并呈現(xiàn)出了模型結(jié)構(gòu)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(jì)算負(fù)荷量，如何解決這一問題，成為CNN在智能手機(jī)等嵌入式設(shè)備上大規(guī)模應(yīng)用的關(guān)鍵點(diǎn)。

本研究以MobileNet v3網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò)，通過減少卷積層、通道數(shù)量、調(diào)整卷積核大小等方法精簡網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合批歸一化和替換激活函數(shù)等方法，實(shí)現(xiàn)基于手機(jī)圖像的蘋果病害葉片分類，提高網(wǎng)絡(luò)對病害葉片的識別能力和在移動端運(yùn)行的性能。經(jīng)過對MobileNet v3的系統(tǒng)性改進(jìn)，模型的體積進(jìn)一步縮小，計(jì)算速率也更快，因此，本研究將改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)模型進(jìn)行格式轉(zhuǎn)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(jī)應(yīng)用程序。

1 材料與方法

1.1 試驗(yàn)圖像數(shù)據(jù)及預(yù)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(chǔ)，通過對數(shù)據(jù)集中的圖片進(jìn)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(diǎn)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(xùn)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(yán)重問題，會對訓(xùn)練模型的準(zhǔn)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(jìn)行處理，可以顯著提升訓(xùn)練模型的泛化能力，進(jìn)而大大提高其魯棒性［11］。

Retinex圖像增強(qiáng)算法可以抑制圖像中不均勻的光照，并能進(jìn)行亮度增強(qiáng)、細(xì)節(jié)保護(hù)和圖像去噪。本研究采用Retinex圖像增強(qiáng)算法對原始圖像數(shù)據(jù)集中、樣本量少的類別進(jìn)行圖像增強(qiáng)處理，使用多尺度視網(wǎng)膜算法 （MSR）增強(qiáng)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(fù)的多尺度視網(wǎng)膜增強(qiáng)算法（MSRCP）等增強(qiáng)褐斑病圖片，部分增強(qiáng)后的樣本示例如圖1 所示。黑星病、健康葉片和斑點(diǎn)落葉病圖片數(shù)據(jù)樣本充足，且識別結(jié)果較好，因此未進(jìn)行數(shù)據(jù)增強(qiáng)。試驗(yàn)葉片樣本的數(shù)量在數(shù)據(jù)增強(qiáng)后增加到23 696張，按照8 ∶1 ∶1的比例劃分訓(xùn)練集、驗(yàn)證集和測試集，擴(kuò)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(luò)模型

伴隨AlexNet、VGGNet、GoogleNet和ResNet等卷積神經(jīng)網(wǎng)絡(luò)的開發(fā)，網(wǎng)絡(luò)性能和穩(wěn)定性獲得了顯著提升，但網(wǎng)絡(luò)層數(shù)也在不斷增加，帶來了運(yùn)行效率上的問題［12-16］。輕量化模型采用更高效的計(jì)算方式，擁有的參數(shù)較少，解決了內(nèi)存占用和計(jì)算速度的問題，使CNN真正走出了實(shí)驗(yàn)室。MobileNet v3是谷歌提出的一種輕量化卷積神經(jīng)網(wǎng)絡(luò)［17］，其基本網(wǎng)絡(luò)單元如圖2所示。它延用了MobileNet v2模型中的倒置殘差構(gòu)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(luò)參數(shù)，提高運(yùn)行速度［18］。模型中還引入SE架構(gòu)輕量級的注意力機(jī)制，在訓(xùn)練過程中能有效地提升有用特征的權(quán)重，同時抑制無用特征的權(quán)重［19］。

本研究旨在改進(jìn)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(yīng)用于移動終端，以實(shí)現(xiàn)將蘋果葉片病害識別模型應(yīng)用于移動終端的任務(wù)。為此，本研究對表2中MobileNet v3-[JP]large網(wǎng)絡(luò)模型的結(jié)構(gòu)進(jìn)行了調(diào)整優(yōu)化，以實(shí)現(xiàn)在大樣本數(shù)據(jù)集上快速訓(xùn)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(diǎn)卷積。根據(jù)圖3可對卷積的工作過程及計(jì)算量進(jìn)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(jìn)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(jìn)行卷積，經(jīng)卷積后的M個特征會被合并，輸出計(jì)算深度卷積為Dk×Dk×M×DF×DF的結(jié)果；逐點(diǎn)卷積運(yùn)算與常規(guī)卷積運(yùn)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(jìn)行加權(quán)組合，所以從圖3-b可以看出，逐點(diǎn)卷積的計(jì)算量是M×DF×DF×N。與傳統(tǒng)的卷積計(jì)算量相比深度可分離卷積的計(jì)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(jì)算量對比，可以看出，輕量化卷積網(wǎng)絡(luò)MobileNet v3在使用了這種卷積以后，網(wǎng)絡(luò)層的計(jì)算量大大下降了。

1.3 模型改進(jìn)設(shè)計(jì)

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(luò)系統(tǒng)具備更強(qiáng)的非線性表達(dá)能力，可以更準(zhǔn)確地捕捉復(fù)雜的特征，但是如果網(wǎng)絡(luò)深度過深，就會導(dǎo)致梯度不穩(wěn)、網(wǎng)絡(luò)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(diào)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(jié)構(gòu)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(diào)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(jié)構(gòu)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(luò)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(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

通過合理配置圖像輸入分辨率、網(wǎng)絡(luò)深度和寬度3個參數(shù)，網(wǎng)絡(luò)性能可以得到有效的改善。網(wǎng)絡(luò)的[CM（21]寬度大，深度淺，要想學(xué)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(fèi)，將超參數(shù)寬度系數(shù)α從默認(rèn)值1調(diào)整至0.8。對MobileNet v3網(wǎng)絡(luò)從深度、寬度和通道數(shù)等方面進(jìn)行精簡優(yōu)化，使得網(wǎng)絡(luò)運(yùn)行時計(jì)算的數(shù)據(jù)量變少，降低了訓(xùn)練負(fù)擔(dān)，提升了運(yùn)行效率，使得網(wǎng)絡(luò)部署在移動端更加方便。

MobileNet v3網(wǎng)絡(luò)模型利用SE通道注意力模塊作為網(wǎng)絡(luò)的全連接層，可以將學(xué)習(xí)到的通道注意力信息與輸入特征圖相結(jié)合，最終得到具有通道注意力的特征圖［19］。該注意力機(jī)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(fù)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(dāng)激活值很大時，在低精度移動設(shè)備上運(yùn)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(luò)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(chǔ)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(shè)備計(jì)算能力不足帶來的精度下降和運(yùn)行耗時長的問題。經(jīng)試驗(yàn)發(fā)現(xiàn)，將激活函數(shù)替換為ReLU6后，帶來的訓(xùn)練準(zhǔn)確率下降微乎其微，可忽略不計(jì)，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(luò)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(yù)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(luò)的訓(xùn)練更加順暢，對初始值的敏感性降低，從而提高了訓(xùn)練效率，并且能夠通過較大的學(xué)習(xí)率來加速收斂。在先前改進(jìn)的基礎(chǔ)上，本研究對神經(jīng)網(wǎng)絡(luò)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(fù)面影響，從而提高網(wǎng)絡(luò)系統(tǒng)的性能和準(zhǔn)確性。通過對樣本的重新選擇，可以有效適應(yīng)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(luò)結(jié)構(gòu)的泛化能力，將改動后的模型命名為MobilenNet v3-A3。結(jié)合批歸一化改進(jìn)后的BN結(jié)構(gòu)如圖5所示。

2 結(jié)果與分析

2.1 試驗(yàn)平臺和試驗(yàn)參數(shù)設(shè)置

在Windows11 64位系統(tǒng)上，使用PyTorch作為深度學(xué)習(xí)框架，硬件環(huán)境為計(jì)算機(jī)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(jìn)MobileNet v3網(wǎng)絡(luò)模型的影響分析驗(yàn)平臺和試驗(yàn)參數(shù)設(shè)置

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

2.3 數(shù)據(jù)增強(qiáng)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(jìn)行了數(shù)據(jù)增強(qiáng)，其他類別樣本數(shù)量充足未進(jìn)行增強(qiáng)，這4類病害樣本增強(qiáng)前后的識別精確率如表4所示。以MobileNet v3網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)前后精確率為例，在使用Retinex圖像增強(qiáng)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(qiáng)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(zhǔn)確率提高幅度最大的類別。以上結(jié)果表明，通過使用Retinex圖像增強(qiáng)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(luò)模型的識別精確率也得到了一定提升。

2.4 改進(jìn)MobileNet v3網(wǎng)絡(luò)模型逐步改進(jìn)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(qiáng)，在200輪迭代后，模型逐步改進(jìn)的性能參數(shù)如表5所示，MobileNet v3-A1模型與MobileNet v3模型相比，準(zhǔn)確率有1.09百分點(diǎn)的提升，權(quán)重下降了11.29 MB，說明在精簡網(wǎng)絡(luò)結(jié)構(gòu)的同時對網(wǎng)絡(luò)深度進(jìn)行降低，不僅可以減小模型計(jì)算量，還能在一定程度上提高準(zhǔn)確率。

MobileNet v3-A2模型與MobileNet v3-A1模型相比，準(zhǔn)確率下降0.37百分點(diǎn)，權(quán)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(jī)制中的ReLU6激活函數(shù)，在降低計(jì)算量的同時也會帶來一定的準(zhǔn)確率下降。MobileNet v3-A3模型較MobileNet v3-A2模型準(zhǔn)確率提升了1.43百分點(diǎn)，權(quán)重增大0.4 MB，說明結(jié)合批歸一化對BN進(jìn)行改進(jìn)，在提高準(zhǔn)確率的同時也帶來了計(jì)算量的增加。

本研究改進(jìn)的MobileNet v3-A3模型訓(xùn)練準(zhǔn)確率高達(dá)96.48%。模型改進(jìn)前后的準(zhǔn)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(jìn)后的模型訓(xùn)練準(zhǔn)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(luò)要小一些，收斂的速度也要快一些。從準(zhǔn)確率曲線來看，改進(jìn)后的模型，準(zhǔn)確率的提升速度更快，曲線波動也更小，訓(xùn)練準(zhǔn)確率始終高于原網(wǎng)絡(luò)，改進(jìn)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(luò)模型進(jìn)行200次迭代訓(xùn)練后，得到了表6所示的試驗(yàn)結(jié)果。

改進(jìn)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(yùn)算速度減少到0.092×109次/s，準(zhǔn)確率達(dá)到了96.48%，較原模型高出2.15百分點(diǎn)。從表6可以看出，與其他圖像分類網(wǎng)絡(luò)相比，改進(jìn)后的MobileNet v3-A3模型在參數(shù)量、訓(xùn)練時間和模型大小方面有著很大的優(yōu)勢，準(zhǔn)確率及其他各項(xiàng)指標(biāo)都有一定的提高。其他網(wǎng)絡(luò)模型中，準(zhǔn)確率最高的是EfficientNet-BO網(wǎng)絡(luò)，準(zhǔn)確率為94.75%，但與改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)相比，準(zhǔn)確率低1.73百分點(diǎn)，訓(xùn)練模型多12.62 MB，參數(shù)量多4.52×10 M，訓(xùn)練時間更是多出680 min。

2.5 改進(jìn)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(zhǔn)確率是不夠的，當(dāng)數(shù)據(jù)集的數(shù)據(jù)分布不均衡時，會出現(xiàn)總體準(zhǔn)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(luò)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(jìn)后的MobileNet-A3網(wǎng)絡(luò)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(diǎn)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(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)模型混淆矩陣如圖8-a所示，可以看出，使用改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)模型對2 370張葉片病害圖片測試集進(jìn)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(jìn)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(dāng)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(jī)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(yùn)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(yīng)用程序開發(fā)IDE，可以幫助開發(fā)者進(jìn)行安卓程序的編寫；AndroidSDK是Google公司向開發(fā)者免費(fèi)提供Android軟件開發(fā)工具包，可以幫助開發(fā)者進(jìn)行安卓程序的封裝［21-24］。

為了更準(zhǔn)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(xùn)練的改進(jìn)MobileNet v3-A3訓(xùn)練模式配備到安卓設(shè)備上。首先，在電腦端將訓(xùn)練模式轉(zhuǎn)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(jī)應(yīng)用APP，APP主要包括前端界面和后端處理程序。在.xml文件上進(jìn)行前端顯示界面的布局設(shè)計(jì)， 設(shè)置了3個標(biāo)簽按鈕，分別是本地圖庫、拍照識別、實(shí)時檢測。點(diǎn)擊拍照識別按鈕，軟件會調(diào)用手機(jī)攝像頭，可以對蘋果葉片進(jìn)行拍攝，點(diǎn)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?qū)D像進(jìn)行處理后，對這些圖片進(jìn)行壓縮，并使用.pt格式的TorchScript模型進(jìn)行識別，最終將識別結(jié)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(diǎn)擊實(shí)時檢測按鈕，會出現(xiàn)新的相機(jī)界面，在這個界面中，程序后端會實(shí)時調(diào)用攝像頭獲取圖片，并將顯示在屏幕中的圖片信息實(shí)時調(diào)用TorchScript模型進(jìn)行判斷識別， 識別的結(jié)果可以實(shí)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(zhǔn)確識別圖，圖9-b則是對蘋果葉片實(shí)時檢測的準(zhǔn)確識別圖。

在將網(wǎng)絡(luò)的訓(xùn)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(luò)的軟件內(nèi)存占用和識別速度進(jìn)行了測試，改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)APP，僅有9.7 MB大小，識別1張圖片的時間僅需8.82 ms。

3 結(jié)論

本研究使用了包含蘋果健康、銹病、黑星病、斑點(diǎn)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(jìn)行圖像增強(qiáng)，為使模型更好地運(yùn)行在移動端對MobileNet v3進(jìn)行了針對性的改進(jìn)，通過加入批歸一化層，來提高網(wǎng)絡(luò)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(shè)備上的準(zhǔn)確性和效率。在經(jīng)過對模型的改進(jìn)后，模型對各類蘋果葉片的分類準(zhǔn)確率達(dá)到了96.48%，分類效果較好。使用改進(jìn)后的MobileNet v3-A3網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，將識別準(zhǔn)確率最高的模型轉(zhuǎn)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(shè)備， 實(shí)現(xiàn)了使用移動端軟件對蘋果葉片病害的快速準(zhǔn)確識別。

參考文獻(xiàn)：

［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(diào)查［J］. 植物保護(hù)，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(jìn)Faster R-CNN的蘋果葉部病害識別方法［J］. 林業(yè)工程學(xué)報(bào)，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(jìn)的SqueezeNet模型識別多類葉片病害［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（2）：187-195.

［7］黃英來，艾 昕. 改進(jìn)殘差網(wǎng)絡(luò)在玉米葉片病害圖像的分類研究［J］. 計(jì)算機(jī)工程與應(yīng)用，2021，57（23）：178-184.

［8］李鑫然，李書琴，劉 斌. 基于改進(jìn)Faster R＿CNN的蘋果葉片病害檢測模型［J］. 計(jì)算機(jī)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(yīng)用［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（17）：194-204.

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

［11］鮑文霞，吳 剛，胡根生，等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害識別［J］. 安徽大學(xué)學(xué)報(bào)（自然科學(xué)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(xué)，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(xué)學(xué)報(bào)（自然科學(xué)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(jī)的棉花病蟲害診斷系統(tǒng)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(shè)計(jì)與實(shí)現(xiàn)［J］. 測繪與空間地理信息，2017，40（4）：120-122.? [ZK）][HT][HJ][FL）]

基金項(xiàng)目：國家自然科學(xué)基金（編號：62003001）。

作者簡介：張風(fēng)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(dǎo)師，主要從事嵌入式系統(tǒng)的研究與應(yīng)用、圖像處理與分類算法的研究。E-mail：ahhbzcj@126.com。