基于改进MobileNetV2的轻量化茶叶病害检测方法

摘要

【目的】解决茶叶病虫害检测中现有深度学习模型难以兼顾精度与效率，尤其不适合在资源受限的嵌入式设备上部署的问题。【方法】以MobileNetV2为基础架构引入2个关键改进，设计出轻量化且高精度的识别模型MobileNetV2-GCA-LS：一是设计了一种新颖的幽灵坐标注意力（Ghost coordinate attention, GCA）模块，该模块融合坐标注意力的位置敏感性与GhostNet的高效计算特性，增强对关键病害区域的特征表达；二是采用标签平滑（Label smoothing, LS）正则化策略优化训练过程，提升模型泛化能力。模型在公开的茶树病害数据集上进行了训练与验证。【结果】MobileNetV2-GCA-LS模型在测试集上识别准确率达到了94.54%,F₁为94.29%，性能显著优于MobileNetV2、MobileNetV3-Small、EfficientNet-B0、ResNet50和GhostNet。同时，该模型保持了较低的复杂度，参数量为2.608 9×10～6，浮点运算次数（Floating point operations, FLOPs）为0.334 7×10¹⁰，验证了其在资源受限设备上部署的可行性。【结论】本研究提出的改进策略能够有效地提升模型识别茶叶病害的性能，在精度与效率间取得了良好的平衡，为智慧农业领域的病害智能监测与精准防控提供了实用的技术方案。

关键词

茶叶 / 病害识别 / MobileNetV2 / 幽灵坐标注意力(GCA) / 标签平滑 / 智慧农业