轻量级深度学习模型在草莓病害识别中的应用——以改进MobileNet v3-Small为例OA

为解决草莓病害识别中的高准确率和低计算成本问题,特别是在移动设备上实现高效、准确的实时检测,针对传统人工识别方法耗时且准确度受限的问题,选择轻量级深度学习模型MobileNet v3-Small进行改进,借助引入全维动态卷积(ODConv)与SimAM模块的方式,提升模型对于多尺度特征的提取性能。具体而言,在第1个5×5深度可分离卷积层之后加入ODConv以捕捉低级特征如边缘和纹理,并在后续的深度可分离卷积层中继续添加ODConv,增强多尺度特征捕获能力。此外,在模型较深层添加了SimAM模块,该模块被置于最后一个卷积层后但在全局平均池化层前,以有效提升特征质量。试验基于一个包含3437张训练图片和934张验证图片的数据集进行,覆盖了角斑病、炭疽果腐病等7种草莓病害类型。结果显示,改进后的模型在验证集上的准确率达到94.11%,较基础模型提升3.74百分点,尤其是在灰霉病、叶斑病和果实白粉病分类上的表现尤为突出。混淆矩阵分析结果显示,改进模型明显减少了错误分类数量并提高了正确分类的能力,精确率、召回率以及F1分数等各项评估指标均证明改进措施的有效性。综上所述,本研究通过改进MobileNet v3-Small网络结构实现了草莓病害的高效识别,明显提高了草莓病害识别的精确率。