基于改进MobileViT的农作物种类无关的叶部病害识别方法

摘要

[目的]为解决现有方法只针对特定作物类别、参数量大难以部署等问题，本文提出一种农作物种类无关的通用叶部病害识别方法 LMCD(light MobileViT for crop leaf disease)。[方法]以特定病害类别为标签构建不同场景下的多元化数据集，以便弱化农作物种类信息，强化病害特征学习。对MobileViT模块进行改进，使用轻量卷积替换普通卷积以减少计算量，同时将局部特征与全局特征在通道合并后进行通道混洗以促进组间信息流动，充分融合不同区域的特征信息提高模块的特征表达能力;在MV2模块的倒置残差结构中加入ECA注意力机制，同时将Re LU6激活函数替换为SMU以增强模块性能。[结果]LMCD模型大小为2.74 MB，推理时间为12.6 ms，在本文构建的农作物叶部病害数据集上识别准确率为98.33%，较原MobileViT网络提高了2.13%，参数量下降到0.99 M，降低了23.84%。其准确率和参数量均优于Shuffle Net V21.0×、MobileNetV3small、Efficient Net B0等轻量级网络。[结论]本文所提方法具备高效轻量、易于部署的特性，能有效提升农作物叶部病害的识别准确率，为农作物病害智能诊断提供技术支持。

关键词

MobileViT / 叶部病害识别 / 作物种类无关 / 轻量化