杨祥，段军明，董明刚．面向移动端的植物病害图像识别方法及其应用［J］．江苏农业科学，2023，51(4):191－197．doi:10．15889/j．issn．1002－1302．2023．04．028面向移动端的植物病害图像识别方法及其应用杨祥，段军明，董明刚(桂林理工大学信息科学与工程学院，广西桂林541000)摘要: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－ShuffleNetV2来降低识别成本。CSP－ShuffleNetV2模型基于ShuffleNetV2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AIChallenger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－ShuffleNetV2网络模型识别准确率为90．34%，比原始ShuffleNetV2网络模型提高2．23%，参数量也减少29．6%，权重大小仅为13．5MB。与ResNet50、MobileNetV2、GoogleNet、DenseNet121网络相比，CSP－ShuffleNetV2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。关键词:卷积神经网络;植物病害;ShuffleNetV2;图像识别;CSPNet;ECA中图分类号:TP183;TP391．41文献标志码:A文章编号:1002－1302(2023)04－0191－07收稿日期:2022－03－01基金项目:国家自然科学基金地区项目(编号:61563012);广西自然科学基金(编号:2021GXNSFAA220074)。作者简介:杨祥(1970—)，男，内蒙古乌兰察布人，硕士，教授，硕士生导师，主要研究方向为图像处理、模式识别。E－mail:490745953@qq．com。通信作者:段军明，硕士研究生，主要研究方向为图像处理、深度学习。E－mail:1032241157@qq．com。植物病害种类各种各样，植物病害识别的传统方法是基于植物研究专家进行直观的观察和监测，该方式需要专业人员在一个特定区域中持续进行监测，这需要消耗大量的人力资源且产生巨大的经济开销。现如今随着智能信息化的进步，人工智能技术，特别是深度学习技术给人们的生活工作等多方面提供了巨大的便利，利用人工智能去替代传统的人工鉴别方式，十分有利于提高识别速度，快速准确定位农业植物发病原因。孙云云等通过使用经典卷积神经网络(CNN)AlexNet完成对茶叶病害的图像识别［1］;许景辉等通过迁移学习将VGG－16卷积神经...
