基于MobileNetV3的植物叶片识别系统

摘要

针对现有植物叶片识别研究存在的模型泛化性差的问题，本文设计一个基于MobileNetV3-Large网络和迁移学习的植物叶片识别系统.通过自采集图像补充数据和使用图像锐化、翻转、亮度增强等方法构建了包含32种植物的大规模叶片数据集，以MobileNetV3-Large网络和预训练权重为前提，寻找最佳超参数完成模型的迁移学习，对32种植物叶片进行特征提取和分类.通过PyQt5的前后端部署，该方法被实例化为一个实用性强的植物叶片识别系统.在测试集上的实验结果表明，MobileNetV3-Large达到98.45%的识别准确率，与AlexNet、ResNet和MobileNetV2相比分别提高12.46%、1.09%和9.62%,有效弥补了模型泛化性差的短板.该系统对32类植物的叶片的识别效果颇佳，满足各种场景下的植物叶片种类识别的需求.

关键词

轻量级卷积神经网络 / MobileNetV3-Large / 迁移学习 / 系统设计 / 植物叶片识别