高效运算网络在作物叶部病害识别中的研究*

孙圆龙，徐晓辉，宋涛，崔迎港，司玉龙

(河北工业大学电子信息工程学院，天津市，300401)

0 引言

作物病害是导致作物产量下降的主要原因，实时有效的作物病害识别技术是防治的关键。基于机器视觉的病害识别技术可以检测作物相似的特征，成为病害识别的有效途径。

传统机器学习，其往往是在可见光波段提取特定作物的纹理、颜色和形状等特征[1]，然后进行模式识别，但传统机器视觉一般局限于某一作物。深度学习的发展不断催生新的网络模型，这些模型也不断的迁移到果蔬的病害识别上，在其叶部病害识别中[2]，迁移的网络模型参数量巨大，VGG16参数内存为526 MB，AlexNet参数内存为127 MB。Durmus等使用AlexNet和SqueezeNet分别对番茄进行病害识别，发现AlexNet识别准确率高于SqueezeNet，但模型内存和运行时间消耗翻倍。

为减小参数量，Geetharamani等[3]将深度CNN模型简化为9个层，对plantvillage提供的数据集进行识别，最高准确率达到96.46%。刘洋等[4]在移动端使用轻量级网络MobileNet进行叶部病害二分类识别，识别率在95%左右，参数内存17.1 MB，计算量消耗为575 M。王冠等[5]对轻量化网络MobileNet进行优化，多作物病害识别准确率为96.23%。蒲秀夫等[6]提出二值化网络将信息压缩以加快叶部病害的识别效率。郭小清等[7]以多个感受野优化AlexNet模型，对番茄早中晚三类疫病进行识别，识别准确率为92.7%，模型的内存消耗为29 MB。谭文军[8]将残差网络中的普通卷积替换为深度卷积可分离，并引入全局池化和批归一化得到DW-ResNe模型，在对作物多病害识别中实现98.59%的准确率，在病害严重程度识别实现89.16%的准确率，参数内存仅2.1 MB，但对硬件计算力(Floating point operations，FLOPs)的要求为481.415 M。……