面向移动端的植物病害图像识别方法及其应用

针对传统卷积神经网络(CNN)在病害图像识别时需要较高的存储空间和计算资源问题，提出一种基于轻量级CNN植物病害图像识别网络CSP-ShuffleNet V2来降低识别成本。CSP-ShuffleNet V2模型基于ShuffleNet V2网络，首先，将卷积核大小由3×3改为5×5扩大病斑图像全局感受野；其次，采用CSPNet结构来改进网络特征层；最后，再引入通道注意力(ECA)模块用于增强图像病斑通道特征信息。采用AI Challenger平台提供的公共植物病害数据集进行训练和测试。试验结果表明，CSP-ShuffleNet V2网络模型识别准确率为90.34%,比原始ShuffleNet V2网络模型提高2.23%,参数量也减少29.6%,权重大小仅为13.5 MB。与ResNet50、MobileNet V2、GoogleNet、DenseNet121网络相比，CSP-ShuffleNet V2网络不仅降低了网络计算量和参数量，而且收敛速度更快、分类效果更好。最终将模型离线部署在Android平台实现了植物病害移动端智能检测，为植物病害防治和诊断提供参考依据。