基于改进MobileNet-V2的轻量化苹果叶片病害识别OA

针对苹果叶片病害识别中计算资源消耗与识别准确度之间不平衡问题,提出了一种改进MobileNet-V2卷积神经网络模型。采用数据增强技术扩展图像样本的多样性,增加了模型泛化能力;引入迁移学习策略,通过预训练和冻结部分层参数,减少了训练时间和计算资源的消耗;通过进一步引入分组卷积、通道注意力机制中的压缩与激励模块(Squeeze-and-excitation, SE)和权重剪枝策略,优化了模型特征提取能力,提高了模型计算效率和准确率。实验结果表明,模型优化后,准确率为99.1%,较原Mobile-V2模型高5.9个百分点,较ResNet50、VGG16和Xception等传统卷积神经网络模型分别提升4.6、9.4、4.0个百分点。模型平均精确率为98.9%,平均召回率为98.75%,F1分数为98.82%,参数量仅为4.06×10^(6)。模型在实际部署上也能实现快速、准确的病害检测,单幅图像平均推理时间为507 ms,具备实用价值和推广潜力,为农业智能化发展提供了参考。