采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别

对密集圣女果遮挡、粘连等情况下的果实进行快速识别定位,是提高设施农业环境下圣女果采摘机器人工作效率和产量预测的关键技术之一,该研究提出了一种基于改进YOLOv4-LITE轻量级神经网络的圣女果识别定位方法。为便于迁移到移动终端,该方法使用MobileNet-v3作为模型的特征提取网络构建YOLOv4-LITE网络,以提高圣女果果实目标检测速度;为避免替换骨干网络降低检测精度,通过修改特征金字塔网络（Feature Pyramid Networks,FPN）+路径聚合网络（Path Aggregation Network,PANet）的结构,引入有利于小目标检测的104×104尺度特征层,实现细粒度检测,在PANet结构中使用深度可分离卷积代替普通卷积降低模型运算量,使网络更加轻量化;并通过载入预训练权重和冻结部分层训练方式提高模型的泛化能力。通过与YOLOv4在相同遮挡或粘连程度的测试集上的识别效果进行对比,用调和均值、平均精度、准确率评价模型之间的差异。试验结果表明：在重叠度IOU为0.50时所提出的密集圣女果识别模型在全部测试集上调和均值、平均精度和准确率分别为0.99、99.74%和99.15%,同比YOLOv4分别提升了0.15、8.29个百分点、6.54个百分点,权重大小为45.3 MB,约为YOLOv4的1/5,对单幅416×416像素图像的检测,在图形处理器（Graphics Processing Unit,GPU）上速度可达3.01 ms/张。因此,该研究提出的密集圣女果识别模型具有识别速度快、识别准确率高、轻量化等特点,可为设施农业环境下圣女果采摘机器人高效工作以及圣女果产量预测提供有力的保障。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值。人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象。利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平。该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态。首先,依据条斑鲨形态特征将其划分为7个可视的身体组成构件(头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴);再对全景养殖监控视频中抽取的476幅条斑鲨子图进行各部位的像素级标记,通过数据增强到1 944幅建立鱼体语义部位数据集,其中训练集为1166幅图像,测试集为778幅图像;然后,在语义分割网络模型基础上进行深度学习训练,使用深度学习框架对网络参数进行微调使得网络训练结果达到最优。最后,利用语义部位分割结果定位躯干和鱼头质心建立随体坐标,通过随体坐标的方向变化判明鱼体动作姿态。基于FCN-8s和Segnet两种深度网络模型进行了鱼体部位分割的对比试验,测试结果表明基于Segnet网络的分割方法在头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴部位的准确度分别高出FCN-8s深度网络1.50,4.70,6.95,6.56,6.01,0.85,0.84个百分点。语义部位分割结果能够有效判别条斑鲨鱼体目标的动作姿态,可为鱼体异常行为识别和进一步开展面向条斑鲨的动物行为学试验提供技术参考。     

基于改进ResNet50模型的大宗淡水鱼种类识别方法

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法。研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率。为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明：在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94%,比经典模型提高1.22%,单张淡水鱼图像样本的平均检测时间为0.234 5 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100%,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20%,说明模型具有较好的泛化性能和鲁棒性。针对混淆矩阵的可视化结果表明：改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴。     

基于Enhanced VGG16的油茶品种分类

随着油茶产业不断壮大，市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象，因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别。农业领域常用VGG、ResNet网络模型进行分类工作，但存在权重空间过大和准确率不高等问题。该研究对VGG16网络模型进行层间删减以及结构调整，提出了Enhanced VGG16网络模型，在油茶叶数据集上完成模型训练与测试，并与现有经典卷积神经网络（AlexNet、VGG16、Resnet50、InceptionV3、Xception）进行对比。结果表明，Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98%和98.44%，权重空间为90.6 MB。与原始VGG16模型相比，训练集准确率和测试集准确率分别提高3.08和2.05个百分点，权重空间下降165.4 MB，模型性能显著提升。Enhanced VGG16网络模型与经典卷积神经网络相对比，模型综合性能更优。该研究为通过油茶叶进行品种分类识别提供了依据，同时可为其他农作物品种识别提供参考。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...     

改进Mask R-CNN的真实环境下鱼体语义分割

鱼体语义分割是实现鱼体三维建模和语义点云、计算鱼体生长信息的基础。为了提高复杂环境下鱼体语义分割精度,该研究提出了SA-Mask R-CNN模型,即融合SimAM注意力机制的Mask R-CNN。在残差网络的每一层引入注意力机制,利用能量函数为每一个神经元分配三维权重,以加强对鱼体关键特征的提取;使用二次迁移学习方法对模型进行训练,即首先利用COCO数据集预训练模型在Open Images DatasetV6鱼类图像数据集完成第一次迁移学习,然后在自建数据集上完成第二次迁移学习,利用具有相似特征空间的2个数据集进行迁移学习,在一定程度上缓解了图像质量不佳的情况下鱼体语义分割精度不高的问题。在具有真实养殖环境特点的自建数据集上进行性能测试,结果表明,SA-Mask R-CNN网络结合二次迁移学习方法的交并比达93.82%,综合评价指标达96.04%,分割效果优于SegNet和U-Net++,较引入SENet和CBAM注意力模块的Mask R-CNN交并比分别提升了1.79个百分点和0.33个百分点,综合评价指标分别提升了2.03个百分点和0.38个百分点,模型参数量分别减小了4.7和5MB。研究结果可为鱼体点云计算提供参考。     

基于姿态与时序特征的猪只行为识别方法

生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像，分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集；利用构建的数据集，分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型，并搭建了猪只行为识别系统。经测试，文中训练的YOLOv5s猪只检测模型mAP（mean Average Precision）最高达到0.995，姿态估计模型平均精度和平均召回率达到93%以上，基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms，单只猪行为识别推理耗时约为8 ms，每提取200帧连续姿态进行一次行为识别推理，平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性，为群养猪场景下的猪只行为识别提供了思路。     

基于迁移学习的卷积神经网络花生荚果等级图像识别

针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到花生荚果等级图像数据集;对比分析了GoogLeNet、ResNet18和AlexNet 3种基本模型下花生荚果图像分级识别的性能;通过迁移AlexNet卷积层对花生荚果等级识别模型进行了改进,用批归一化替换局部响应归一化且将激活函数置于批归一化层前后不同位置,设计了4种不同的识别训练模型;对改进的4种AlexNet模型进行迁移学习对比试验和超参数学习率优化试验,研究了非饱和激活函数和改进的非饱和激活函数对模型性能的影响。试验结果表明,在满足测试精度的基础上AlexNet模型所用训练时间最少;基于AlexNet的改进模型的迁移学习中学习率是需要优化的超参数,合适的学习率能够加快模型的训练并提升识别能力;改进模型中批归一化的引入及网络参数的减少,缩减了220 s训练时间,模型性能提高。所构建的花生荚果等级识别模型（Penut_AlexNet model,PA模型）对花生荚果5个等级分类识别准确率达到95.43%,该模型对花生荚果等级识别具有较高的准确率,也可为其他农产品精确分级提供参考。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

面向海洋牧场智能化建设的海珍品实时检测方法

海珍品检测对海洋牧场的智能化建设至关重要,在实时性和准确性方面仍有待提高。该研究提出一种改进的YOLOv3海珍品检测方法。利用深度可分离卷积替代YOLOv3中的标准卷积,得到一个轻量化网络模型DSC-YOLO(Depthwise Separable Convolution-YOLO);在数据预处理方面,采用图像增强方法 UGAN提升海珍品图像清晰度,采用Mosaic数据增广方法丰富数据的多样性。在海珍品数据集上的试验结果显示,相较YOLOv3而言,所提模型大小减少70%,推理时间降低16%,召回率R提高了2.7%,平均准确率提高了2.4%,F1分数提高了0.4%。可见该方法模型小、实时性好,具有部署到移动设备上的潜力。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

改进ResNet18网络模型的羊肉部位分类与移动端应用

针对传统图像分类模型泛化性不强、准确率不高以及耗时等问题,该研究构建了一种用于识别不同部位羊肉的改进ResNet18网络模型,并基于智能手机开发了一款可快速识别不同部位羊肉的应用软件。首先,使用数据增强方式对采集到的羊背脊、羊前腿和羊后腿肉的原始手机图像进行数据扩充;其次,在ResNet18网络结构中引入附加角裕度损失函数（ArcFace）作为特征优化层参与训练,通过优化类别的特征以增强不同部位羊肉之间的类内紧度和类间差异,同时将ResNet18网络残差结构中的传统卷积用深度可分离卷积替换以减少网络参数量,提高网络运行速度;再次,探究了不同优化器、学习率和权重衰减系数对网络收敛速度和准确率的影响并确定模型参数;最后,将该网络模型移植到安卓（Android）手机以实现不同部位羊肉的移动端检测。研究结果表明,改进ResNet18网络模型测试集的准确率高达97.92%,相比ResNet18网络模型提高了5.92%;把改进ResNet18网络模型部署到移动端后,每张图片的检测时间约为0.3 s。该研究利用改进ResNet18网络模型结合智能手机图像实现了不同部位羊肉的移动端快速准确分类,为促进羊肉的智能化检测及羊肉市场按质论价提供了技术支持。     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。     

基于改进YOLOv4的轻量化菠萝苗心检测算法

当前菠萝催花作业以人工喷洒为主，生产效率低、劳动强度大。菠萝苗心位置的精准识别和定位是实现机械化、智能化菠萝催花的核心问题。该研究在YOLOv4目标识别算法的基础上，选择GhostNet作为主干特征提取网络，构建了一种混合网络模型，并在颈部网络中融合深度可分离卷积与轻量级的注意力模块。改进后的模型相较于YOLOv4模型的总参数量减少70%。与YOLOv4、Faster R-CNN和CenterNet 3个模型进行检测对比试验，结果可得：改进模型在菠萝植株种植密集与稀疏的条件下识别精度分别为94.7%和95.5%，实时识别速度可达27帧/s，每张图像平均检测时间为72 ms，相比常规YOLOv4模型用时缩短23%。总体性能表现均优于对比组的目标检测模型。总的来说，改进模型YOLOv4-GHDW在一定程度上实现了检测速度、识别精度和模型体量三者之间平衡，能够在实际种植环境下对菠萝苗心有较好的识别效果。研究结果可为智能化菠萝精准催花设备研发提供视觉技术支持。     

基于低场核磁成像的银杏胚检测及分类

银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像（Low-field Magnetic Resonance Imaging,LF-MRI）技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型（Ginkgo seed low-field MR images recognition model based on VGG-Net, GV）大小降低89%,参数量降低89%,训练时间减少64%,训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。     

基于语义分割的作物垄间导航路径识别

针对目前农作物垄间导航路径识别目前存在准确性、实时性差、通用性弱及深度学习模型解释困难等问题,该研究在Unet模型的基础上进行剪枝与优化,提出了保留Unet模型特征跳跃连接优势的Fast-Unet模型,并以模型所识别的导航路径为基础,通过最小二乘法回归生成垄间导航线与偏航角。本研究首先在棉花垄间导航路径数据集上进行模型训练,随后将训练的模型迁移至玉米、甘蔗等小样本数据集进行导航路径识别,通过使用梯度加权类激活映射法对模型识别过程与迁移学习过程进行解释,对各模型识别结果进行可视化对比。Fast-Unet模型对棉花、玉米、甘蔗导航路径提取精度指标平均交并比分别为0.781、0.881和0.940。模型推理速度为Unet的6.48倍,在单核CPU上处理RGB图像的推理速度为64.67帧/s,满足农作物导航路径识别的实时性需求。研究结果可为田间智能农业装备的导航设备研制提供技术与理论基础。     

基于迁移学习的苹果落叶病识别与应用

为解决现有卷积神经网络苹果叶片病害识别模型泛化能力弱,模型体积较大等问题,该研究提出一种基于改进MobileNetV3苹果落叶病识别模型。以健康叶片和常见苹果落叶病为研究对象,包括斑点落叶病、灰斑病、褐斑病、锈病4种,每种病害2级,共9类特征,通过改进网络的注意力模块、全连接层及算子,结合迁移学习的训练方式,构建苹果落叶病识别模型。在扩充前后的数据集上对比不同的学习方式、学习率和注意力模块等对模型的影响,验证模型的识别性能。试验结果表明：采用迁移学习的方式,在训练50轮达曲线收敛,比全新学习的准确率增加6.74～10.79个百分点;使用引入的ET(efficient channel attention-tanh)注意力模块,网络损失曲线更加平滑,模型的参数量更少,模型体积减小了48%,提高了模型的泛化能力;在扩充数据集上,学习率为0.000 1时,结合迁移学习的训练方式,改进MobileNetV3(ET3-MobileNetV3)苹果落叶病识别模型,平均准确率能达到95.62%,模型体积6.29 MB。将模型部署到喷药设备上,可实现基于苹果叶片病害识别的变量喷施,该研究可为苹果叶片病害...