李 好，邱衛(wèi)根，張立臣

廣東工業(yè)大學(xué) 計算機(jī)學(xué)院，廣州 510006

糧食安全問題一直是全球重點關(guān)注議題，我國“十四五”規(guī)劃綱要明確提出“實施糧食安全戰(zhàn)略”，強(qiáng)調(diào)確保國家糧食安全。受全球氣候和環(huán)境因素影響，農(nóng)作物病害頻繁發(fā)生，對糧食生產(chǎn)產(chǎn)量和質(zhì)量造成嚴(yán)重影響，是我國糧食安全和可持續(xù)穩(wěn)定發(fā)展農(nóng)業(yè)面臨的重大困難挑戰(zhàn)[1]。在傳統(tǒng)的農(nóng)業(yè)生產(chǎn)實踐中，由于缺乏專業(yè)知識，農(nóng)民一般都是根據(jù)經(jīng)驗通過肉眼觀察來識別作物病害，不僅主觀，而且成效甚微，易出現(xiàn)誤判，農(nóng)藥使用不當(dāng)，嚴(yán)重影響糧食的質(zhì)量和產(chǎn)出，同時也帶來經(jīng)濟(jì)損失及不必要的環(huán)境污染[2]。因此，對農(nóng)作物病害及時準(zhǔn)確識別和有效防治在農(nóng)業(yè)生產(chǎn)管理和決策中發(fā)揮著至關(guān)重要的作用，有助于提升農(nóng)作物的產(chǎn)量和質(zhì)量，確保糧食安全。

近年來，深度學(xué)習(xí)技術(shù)因能自動提取作物病害葉片特征進(jìn)行識別，避免人工特征提取依賴，在農(nóng)作物病害識別的研究中取得了良好進(jìn)展并廣泛應(yīng)用[3-5]。Mohanty等人[6]首次引入深度學(xué)習(xí)方法到農(nóng)作物病害識別，基于AlexNet[7]和GoogLeNet[8]兩種經(jīng)典的CNN模型進(jìn)行遷移學(xué)習(xí)，證明深度學(xué)習(xí)方法在農(nóng)作物病害識別具有高性能和可用性，為后續(xù)研究提供了方向。Too等人[9]通過多種經(jīng)典CNN模型進(jìn)行遷移學(xué)習(xí)，如VGGNet[10]、Inception V4[11]、ResNet[12]和DenseNet[13]，比較它們在公共數(shù)據(jù)集PlantVillage[14]上的病害識別性能，結(jié)果表明DenseNet提供了最好的分類結(jié)果。但以上方法中的網(wǎng)絡(luò)模型深且復(fù)雜，在農(nóng)業(yè)生產(chǎn)實踐中不能有效部署在計算資源有限的低性能邊緣移動終端設(shè)備，如農(nóng)業(yè)生產(chǎn)者手中的新型“農(nóng)業(yè)工具”手機(jī)、農(nóng)業(yè)機(jī)器人、無人機(jī)等。

為了解決深度學(xué)習(xí)模型的移動部署問題，研究者們提出了各種輕量級架構(gòu)[15-16]，如Xception[17]、MobileNet[18-19]、ShuffleNet[20-21]，以及常用的輕量化網(wǎng)絡(luò)設(shè)計結(jié)構(gòu)深度可分離卷積（depthwise separable convolution，DepthSepConv）和分組卷積（group convolution，GC），為農(nóng)作物病害識別方法落地部署提供強(qiáng)有力的技術(shù)支撐。國內(nèi)外有關(guān)農(nóng)作物病害識別模型的移動部署，一般可通過手機(jī)等移動端上的app軟件或小程序?qū)崿F(xiàn)，近年來，在室內(nèi)農(nóng)業(yè)這方面可通過地面移動監(jiān)測平臺等智能機(jī)器進(jìn)行落地部署；在室外農(nóng)業(yè)這方面，無人機(jī)被認(rèn)為是一種有效且高度推薦的工具[22]，用于不同的農(nóng)業(yè)應(yīng)用，如農(nóng)作物病害識別，作業(yè)效率高。針對上述研究，本文提出一種改進(jìn)ShuffleNet V2的輕量級農(nóng)作物病害識別方法。引入ECA注意力機(jī)制對ShuffleNet V2單元進(jìn)行改進(jìn)，提出一種Shuffle-ECA單元設(shè)計方法，并在PlantVillage[14]數(shù)據(jù)集中經(jīng)過隨機(jī)組合增強(qiáng)的5種作物26類病害數(shù)據(jù)上進(jìn)行實驗評估。與原ShuffleNet V2模型的病害識別比較表明，改進(jìn)模型在保持輕量化的同時具有較高效的模型性能，可為設(shè)計適合在低性能設(shè)備部署的病害識別模型提供參考。

1 相關(guān)工作

1.1 深度可分離卷積

標(biāo)準(zhǔn)卷積（standard convolution）和深度可分離卷積（DepthSepConv）如圖1所示，其中BN表示批量歸一化，ReLU代表激活函數(shù)。

圖1 標(biāo)準(zhǔn)卷積與深度可分離卷積Fig.1 Standard convolution and DepthSepConv

標(biāo)準(zhǔn)卷積的運算特點是每個卷積核的通道與輸入通道相同，每個通道單獨做卷積運算后相加。

標(biāo)準(zhǔn)卷積參數(shù)量（parameters，P）大小為：

式中，K×K為卷積核大小，C為輸入特征圖通道數(shù)，N為卷積核數(shù)量即輸出特征通道數(shù)。

標(biāo)準(zhǔn)卷積計算量（FLOPs，F(xiàn)）大小為：

式中，H、W為輸入特征圖的長和寬。

深度可分離卷積分為深度卷積（3×3 DepthwiseConv）和點卷積（1×1 PointwiseConv），深度卷積中一個卷積核只負(fù)責(zé)一個通道的計算；點卷積會將上一步驟深度卷積輸出的特征圖在深度方向進(jìn)行加權(quán)混合，生成新的特征圖。

深度可分離卷積參數(shù)量大小為：

與標(biāo)準(zhǔn)卷積中每個卷積核都需要與特征圖的所有通道進(jìn)行計算相比，深度可分離卷積中深度卷積每個卷積核都是單通道進(jìn)行計算，再在后面接上1×1卷積，由公式（5）可得，大大減少了計算量與參數(shù)量，又可以達(dá)到相同的效果。深度可分離卷積在MobileNetV1中被提出，漸漸成為輕量化網(wǎng)絡(luò)設(shè)計的常用組件，使邊緣設(shè)備、移動終端部署神經(jīng)網(wǎng)絡(luò)模型成為可能。

1.2 分組卷積與通道混洗

常規(guī)卷積與分組卷積如圖2所示，常規(guī)卷積是一種通道密集連接方式（channel dense connection），會對輸入特征（input features）的整體即每個通道都一起做卷積操作生成特征圖，卷積核數(shù)量為N，則輸出特征（output features）的通道數(shù)也為N，參數(shù)量P由公式（1）可得為K×K×C×N。

圖2 常規(guī)卷積與分組卷積Fig.2 Conventional convolution and group convolution

分組卷積（group convolution，GC）把輸入特征（input features）通道數(shù)C分成G組，同樣卷積核也分為G組，每個卷積核的通道數(shù)為C/G，分組進(jìn)行卷積后G組輸出拼接得到通道數(shù)為N的大特征圖（output features）。分組卷積參數(shù)量大小為：

式中，G為分組數(shù)。

由公式（1）和（6）可知分組卷積的參數(shù)量是常規(guī)卷積參數(shù)量的1/G，同理計算量也是常規(guī)卷積的1/G。

與常規(guī)卷積相比，分組卷積是一種通道稀疏連接方式，可以理解為Structured Sparse，每個卷積核的尺寸通道數(shù)為原來的1/G，從而可將其余部分的參數(shù)視為0，在減少參數(shù)量與計算量的同時起到減輕過擬合的效果[23]。

與深度可分離卷積相比，當(dāng)組數(shù)G等于輸入特征圖通道數(shù)C時，深度可分離卷積可以理解為極限化的分組卷積，參數(shù)量將進(jìn)一步減少。不同之處：分組卷積只進(jìn)行一次卷積，不同組的卷積結(jié)果拼接即可；深度可分離卷積進(jìn)行兩次卷積操作，在深度卷積之后用1×1點卷積將卷積結(jié)果拼接起來。因此，兩者參數(shù)量計算方式不同，如公式（3）和（6）。

分組卷積的缺點是不同組之間相互獨立，信息沒有交流，會降低網(wǎng)絡(luò)的特征提取能力。因此，ShuffleNet V1提出對輸出特征圖做通道混洗（channel shuffle，CS）操作。如圖3所示，將分組卷積后的輸出特征（output features1）通過通道混洗操作將來自不同組的信息“均勻地打擾”，在不增長計算量的情況下，保證分組卷積之后不同組的特征圖之間的信息相互交流，使通道充分融合。CS在Pytorch中實現(xiàn)過程也十分簡單，先將通道數(shù)C所在維度拆分為(G,C/G)兩個維度，接著兩個維度通過矩陣轉(zhuǎn)置變成(C/G,G)，最后重新reshape成一個維度C，整個通道混洗過程實現(xiàn)完成。

圖3 通道混洗Fig.3 Channel shuffle

1.3 ShuffleNet V2單元

Ma等人[21]在ShuffleNet V2中提出4條設(shè)計高效且輕量化的網(wǎng)絡(luò)準(zhǔn)則，保持大通道數(shù)和通道數(shù)不變的情況下，既不使用過多卷積，又不過多分組，并由此在ShuffleNet V1基礎(chǔ)上提出新的block設(shè)計，如圖4所示的兩個ShuffleNet V2基本單元模塊 。

圖4 ShuffleNet V2單元Fig.4 ShuffleNet V2 unit

如圖4（a）所示，在ShuffleNet V2單元1中，先對輸入的特征圖進(jìn)行通道劃分（channel split），分成兩個分支（branch），通道數(shù)各占1/2。左邊分支不變，恒定變化；右邊分支會經(jīng)過3個步長為1的卷積，使用相同的輸入通道數(shù)和輸出通道數(shù)。其中兩個1×1卷積是普通卷積，3×3卷積是深度可分離卷積中的深度卷積（DWConv）。當(dāng)卷積完成后，兩個分支會進(jìn)行Concat操作，通道數(shù)相加，融合特征，最后使用Channel Shuffle進(jìn)行不同組之間的信息交流，使通道充分融合。與單元1不同，如圖4（b）所示，在ShuffleNet V2單元2中，開始不對通道進(jìn)行通道劃分，直接將特征圖輸入到兩個分支。兩個分支都使用步長為2的3×3深度卷積，對特征圖的長(H)寬(W)進(jìn)行降維，從而起到減少網(wǎng)絡(luò)計算量的作用。接著，兩個分支輸出后進(jìn)行Concat操作，通道數(shù)相加后是原始輸入的2倍，增加了網(wǎng)絡(luò)的寬度，起到在不顯著增加FLOPs的情況下增加通道的數(shù)量，使網(wǎng)絡(luò)提取特征能力更強(qiáng)。最后，同樣進(jìn)行通道混洗實現(xiàn)不同通道之間的信息交流。

ShuffleNet V2卷積設(shè)計特點：卷積輸入輸出通道相等時內(nèi)存訪問成本（MAC）最小，分組卷積通過通道之間的稀疏連接來降低計算復(fù)雜度，但分組數(shù)太多的卷積會增加MAC。因此，為使模型更高效關(guān)鍵在于保持等寬的通道且不使用密集的卷積操作和太多的組卷積，如圖4所示ShuffleNet V2網(wǎng)絡(luò)通過通道劃分操作分成兩個組，使用1×1卷積代替逐點組卷積，分支中卷積前后輸入輸出通道數(shù)不變，再對分支拼接后用通道混洗加強(qiáng)分支之間的信息交流。

2 模型設(shè)計

ShuffleNet V2 0.5×網(wǎng)絡(luò)結(jié)構(gòu)如圖5（a）所示，輸入特征圖大小3×224×224，先采用24個步長為2的3×3普通卷積進(jìn)行特征提取，接著使用最大池化層進(jìn)行下采樣；隨后，連續(xù)使用3個由ShuffleNet V2 Unit2和ShuffleNetV2 Unit1組成的模塊層，模塊層中單元2與單元1的數(shù)量分別為1∶3、1∶7、1∶3；再使用1 024個步長為1的1×1卷積擴(kuò)充通道數(shù)，通過大通道大卷積的大感受野來獲取病害特征信息；最后在全連接層前使用全局池化層融合空間信息，防止過擬合，提高泛化能力。ShufflleNet V2 1.0×是在其基礎(chǔ)上增加通道數(shù)量，即Stage2、Stage3、Stage4模塊的通道數(shù)分別由48、96、192對應(yīng)變?yōu)?16、232、464。

圖5 網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.5 Architecture of network model

本文所提Shuffle-ECANet網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5（b）所示，與ShuffleNet V2 0.5×網(wǎng)絡(luò)相比，使用引入ECA注意力改進(jìn)提出的Shuffle-ECA Unit替換ShuffleNet V2 Unit；使用H-Swish激活函數(shù)替代ReLU激活函數(shù)以便減少每個Stage模塊中ShuffleNet V2 Unit1使用個數(shù)，降低網(wǎng)絡(luò)深度并保持性能；接著，為更好融合通道注意力不使用最大池化層，而使用計算量小的通道數(shù)為24、卷積核大小為3×3，步長為2的深度分離卷積，提出特征更豐富。

改進(jìn)模型設(shè)計以圖5（a）所示ShuffleNet V2 0.5×網(wǎng)絡(luò)為原始模型，文中將其標(biāo)記為模型0。接下來將從ECA注意力模塊、H-Swish激活函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整三個方面詳細(xì)分述改進(jìn)模型設(shè)計。

2.1 ECA注意力模塊

通道注意力機(jī)制（channel attention mechanism）可以有效提高卷積神經(jīng)網(wǎng)絡(luò)的性能，但大多注意力模塊比較復(fù)雜，雖能帶來準(zhǔn)確率的提高，但計算負(fù)擔(dān)也越大。因此，Wang等人[24]提出一種新的ECA（efficient channel attention）注意力模塊，如圖6所示。該模塊在不降維的情況下，直接將輸入的特征圖進(jìn)行全局平均池化（global average pooling，GAP），避免了降維對通道注意力學(xué)習(xí)的不利影響，接著通過執(zhí)行數(shù)量為K的快速1D卷積實現(xiàn)對每個通道及其鄰近K個通道的局部跨通道信息交互，避免對所有通道進(jìn)行信息交流產(chǎn)生低效的冗余信息。其中K的值由通道系數(shù)C的映射自適應(yīng)決定并成正比關(guān)系，可以有效避免實驗中通過交叉驗證手動調(diào)優(yōu)K。

圖6 ECA模塊結(jié)構(gòu)圖Fig.6 Architecture of ECA module

如圖7所示，提出的Shuffle-ECA兩個基本單元以ShuffleNet V2單元結(jié)構(gòu)為基礎(chǔ)進(jìn)行改進(jìn)，分別加入高效通道注意ECA模塊。該模塊只涉及少量參數(shù)，適當(dāng)?shù)目缤ǖ肋M(jìn)行信息交互，可以在保持網(wǎng)絡(luò)輕量化的同時帶來明顯的性能增益，顯著降低模型的復(fù)雜度。因此，使用ECA注意力模塊對模型0改進(jìn)，改進(jìn)模型標(biāo)記為模型1。

圖7 Shuffle-ECA單元Fig.7 Shuffle-ECA unit

2.2 H-Swish激活函數(shù)

原始的ShuffleNet V2網(wǎng)絡(luò)使用ReLU激活函數(shù)，公式如式（7）所示，函數(shù)圖像如圖8（a）所示。ReLU激活函數(shù)優(yōu)點是計算簡單高效，能有效緩解梯度消失和防止過擬合問題；缺點是一側(cè)函數(shù)值為0，導(dǎo)致負(fù)的梯度被置零，并且該神經(jīng)元有可能再也不能被任何數(shù)據(jù)激活，這種現(xiàn)象被稱為神經(jīng)元“壞死”。

圖8 ReLU與H-Swish函數(shù)比較Fig.8 ReLU and H-Swish functions comparison

由公式（8）和（9）可得如下：

Swish激活函數(shù)如式（11），優(yōu)于ReLU激活函數(shù)，顯著提高了神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，但由于計算、求導(dǎo)復(fù)雜，對量化過程不友好，類比Sigmoid與H-Sigmoid激活函數(shù)，MobieNetV3[19]中提出近似的H-Swish激活函數(shù)，公式如式（12）所示，函數(shù)圖像如圖8（b）所示。該函數(shù)可以有效解決ReLU中會出現(xiàn)的神經(jīng)元“壞死”問題，且求導(dǎo)簡單，在實踐中，表現(xiàn)性能優(yōu)越，推理速度幾乎不變。

因此，使用H-Swish激活函數(shù)替代ReLU激活函數(shù)對模型0進(jìn)行改進(jìn)，改進(jìn)模型標(biāo)記為模型2。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整

ShuffleNet V2模型是針對ImageNet數(shù)據(jù)集的1 000類別進(jìn)行分類設(shè)計的，而本文只需要對5種作物26類病害圖像數(shù)據(jù)進(jìn)行分類，分類任務(wù)相對簡單，所需的網(wǎng)絡(luò)模型深度不需要太深。因此，為了減少參數(shù)量和計算量的消耗，將模型0中Stage2、Stage3和Stage4中ShuffleNet V2 Unit1的堆疊個數(shù)都降為1個，改進(jìn)模型標(biāo)記為模型3。

模型0在網(wǎng)絡(luò)初始3×3常規(guī)卷積之后，使用步長為2的最大池化層（MaxPool Layer）進(jìn)行下采樣，優(yōu)點是降維，保留主要的特征同時減少參數(shù)量和計算量，防止過擬合；缺點是只保留特征提取中最大的那個值，其他特征值全部拋棄，可能會帶來欠擬合，且不可學(xué)習(xí)。同時，也為更好融合上述中所提到的ECA注意力模塊改進(jìn)策略，因此對模型0進(jìn)行改進(jìn)，不使用最大池化層，在原始位置若采用步長為2的可學(xué)習(xí)卷積層進(jìn)行下采樣，則計算量過大，故使用計算量小的通道數(shù)為24、卷積核大小為3×3，步長為2的深度可分離卷積，提出特征更豐富，改進(jìn)模型標(biāo)記為模型4。

3 模型訓(xùn)練

3.1 實驗數(shù)據(jù)及預(yù)處理

實驗所用數(shù)據(jù)來源公開數(shù)據(jù)集PlantVilleage[14]，從中獲取蘋果、玉米、葡萄、馬鈴薯和番茄5種常見農(nóng)作物的25種病害（含5種健康）葉片圖像數(shù)據(jù)。此外，考慮到現(xiàn)實場景下葉片圖像背景復(fù)雜，增加一類無葉片的背景圖像數(shù)據(jù)[25]，共計26類，32 539張。

數(shù)據(jù)集劃分，使用Python腳本隨機(jī)將樣本原始數(shù)據(jù)集按照4∶1的比例劃分為訓(xùn)練集和測試集，數(shù)據(jù)分布如表1，各類病害數(shù)據(jù)分布嚴(yán)重不平衡。

表1 數(shù)據(jù)分布Table 1 Data distribution

數(shù)據(jù)增強(qiáng)，使用圖像平移、水平或垂直翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、隨機(jī)顏色（調(diào)整飽和度、亮度、對比度、銳度）和添加噪聲這六種數(shù)據(jù)增強(qiáng)技術(shù)隨機(jī)尺度的分別獨立對訓(xùn)練集和測試集病害圖像進(jìn)行組合增強(qiáng)，增強(qiáng)效果示例如圖9所示。數(shù)據(jù)增強(qiáng)適當(dāng)擴(kuò)充調(diào)整后，訓(xùn)練集每類病害圖像達(dá)到1 800張，共計46 800張；測試集每類病害圖像達(dá)到400張，共計10 400張；訓(xùn)練集與測試集比例大致保持4∶1，圖像總計57 200張。

圖9 增強(qiáng)效果示例圖Fig.9 Augmented images

3.2 實驗細(xì)節(jié)

實驗在Ubuntu 20.04 LTS 64位系統(tǒng)下進(jìn)行，具體采用Anaconda環(huán)境，使用Python3.7.3、Pytorch1.9.1、CUDA11.2搭建網(wǎng)絡(luò)模型，在NVIDIA GeForce RTX 3080顯卡上進(jìn)行模型訓(xùn)練。

實驗中采用隨機(jī)梯度下降（stochastic gradient descent，SGD）優(yōu)化器，其中參數(shù)設(shè)置為moment um=0.9,weight_decay=1E-4。輸入圖像通過隨機(jī)水平翻轉(zhuǎn)后隨機(jī)裁剪到224×224，并統(tǒng)一進(jìn)行了歸一化處理。學(xué)習(xí)率初始值0.01，每訓(xùn)練10個epoch學(xué)習(xí)率降到原來的1/10，共進(jìn)行了40個迭代epoch訓(xùn)練，設(shè)置批次batchsize大小為32。

3.3 實驗結(jié)果及分析

如圖10所示，通過對原始ShuffleNet V2 0.5×模型和本文所提改進(jìn)模型Shuffle-ECANet在增強(qiáng)數(shù)據(jù)集上的損失（Loss）和準(zhǔn)確度（Accuracy）的實驗結(jié)果進(jìn)行比較，可以看出改進(jìn)模型的收斂速度優(yōu)于原模型，更穩(wěn)定，迭代停止時有更高的準(zhǔn)確率和更低損失值，驗證了所提出改進(jìn)方法的可靠性和有效性。

圖10 原始模型與所提改進(jìn)模型比較Fig.10 Comparison of original and proposed improved model

改進(jìn)模型的消融實驗結(jié)果如表2所示，模型0表示ShuffleNet V2 0.5×網(wǎng)絡(luò)，模型1僅使用通道注意力ECA模塊，在只增加了少量參數(shù)的情況下，準(zhǔn)確率提高0.16個百分點；模型2僅替換激活函數(shù)，推理速度更快，準(zhǔn)確率提高0.27個百分點；模型3僅減少ShuffleNet V2 Unit1模塊使用次數(shù)，降低網(wǎng)絡(luò)深度，減少參數(shù)量和計算量，但模型的病害識別效果保持良好，準(zhǔn)確率提高0.21個百分點；模型4不使用最大池化層進(jìn)行下采樣，而使用深度可分離卷積，在僅增加部分參數(shù)量和計算量的情況下，準(zhǔn)確率提高0.30個百分點；本文方法在模型0的基礎(chǔ)上，同時采取模型1、模型2、模型3和模型4中的4種改進(jìn)策略，相對于模型0，在Params、FLOPs和MAdd三個指標(biāo)都降低的情況下，改進(jìn)效果良好，準(zhǔn)確率提升到99.24%。

表2 改進(jìn)模型之間的復(fù)雜度對比Table 2 Improved model complexity comparison

本文方法與其他模型對比實驗結(jié)果如表3所示，本文方法1.0×網(wǎng)絡(luò)模型在Params、FLOPs和MAdd三者指標(biāo)量都最小的情況下，識別準(zhǔn)確率優(yōu)于ShuffleNet V2 0.5×和ShuffleNet V2 1.0×模型，識別性能與當(dāng)前先進(jìn)的輕量化模型MobileNetV3-Small相當(dāng)；本文方法2.0×對應(yīng)ShuffleNet V2 1.0×，在本文方法1.0×的基礎(chǔ)上，增加模塊單元的通道數(shù)，將Stage2、Stage3、Stage4這3個模塊的通道數(shù)也分別從48、96、192調(diào)整為116、232、464，從而提取特征更豐富，模型繼續(xù)保持輕量化的同時識別平均準(zhǔn)確率提升到99.34%，充分體現(xiàn)所提改進(jìn)模型的優(yōu)越性。因此，本方法可以根據(jù)實際部署設(shè)備的計算性能進(jìn)行適應(yīng)性調(diào)整，具有較強(qiáng)的工程實用性，表現(xiàn)出較高的性價比。

表3 不同模型之間的復(fù)雜度對比Table 3 Comparison of complexity between different models

如表4所示，改進(jìn)模型與MobileNetV3-Small模型在測試集上進(jìn)行26種病害識別準(zhǔn)確率詳細(xì)比較，可以看出改進(jìn)模型對大部分病害的識別準(zhǔn)確率是優(yōu)于MobileNetV3-Small模型，在少數(shù)類別病害上各有優(yōu)劣。兩種模型都對馬鈴薯早疫病與晚疫病的細(xì)粒度識別效果很好，但是在少數(shù)相同類別的病害上識別準(zhǔn)確率都較低，主要為玉米北方葉枯病與灰葉斑病、番茄早疫病與晚疫病。易出錯識別病害圖片如圖11所示，可以發(fā)現(xiàn)這些病害葉片之間的病害特征相似度較高，有可能會導(dǎo)致模型出現(xiàn)錯誤病害識別。

圖11 易識別錯誤樣例Fig.11 Examples of easy to identify error

表4 測試集上各類病害識別準(zhǔn)確率比較Table 4 Accuracy comparison of various diseases in test set

此外，表4中改進(jìn)模型與MobileNetV3-Small模型在無葉片背景圖上的識別準(zhǔn)確率都較低，低于平均準(zhǔn)確率。主要是因為在這額外增加的一類中加入了一些如圖12所示的圖片，可以看出這些圖片背景中含有部分的葉片存在，從而模型識別出圖片是含有葉片的，這也說明，本文提出的改進(jìn)模型沒有出現(xiàn)過擬合，表現(xiàn)出的病害識別能力較強(qiáng)。

圖12 無葉片背景圖類別Fig.12 Background without leaves images

4 結(jié)束語

本文提出一種改進(jìn)ShufflleNet V2的輕量級農(nóng)作物病害識別方法，用于解決農(nóng)業(yè)生產(chǎn)實踐中病害識別模型部署在計算資源有限，低性能的邊緣設(shè)備與移動終端較難，實時快速準(zhǔn)確識別較差的問題。該模型方法在參數(shù)量、計算量和準(zhǔn)確率之間達(dá)到良好的平衡并使模型性能保持在較高水平，病害識別平均準(zhǔn)確率達(dá)到99.24%，滿足實際部署應(yīng)用在低性能設(shè)備中輕量化網(wǎng)絡(luò)和推理識別病害速度快的需求，為后續(xù)相關(guān)研究提供參考。下一步將重點研究如何在復(fù)雜背景下，對農(nóng)作物病害進(jìn)行細(xì)粒度識別，提升模型實際應(yīng)用價值。