《基于改进 MobileNetV2 的轻量化茶叶病虫害检测方法》论文解析
该文档是一篇关于基于改进MobileNetV2的轻量化茶叶病虫害检测方法的研究论文，主要内容如下：
研究背景与目的
- 茶树易受多种病虫害侵袭，可导致产量损失8% - 40%，传统人工诊断方法效率低、准确性受主观因素影响。
- 早期传统图像处理和机器学习方法依赖人工设计特征，对环境噪声敏感，稳定性和泛化能力不足。
- 深度学习模型中，高精度模型参数量和计算复杂度大，难以部署在资源有限设备；轻量级网络在处理复杂田间图像时，特征提取能力和识别精度有提升空间。
- 研究目的是开发一种能在保持轻量化、满足边缘部署要求的前提下，提升识别精度和模型鲁棒性的植物病害识别方法。
研究方法
- 模型设计：以MobileNetV2为基础架构，设计出轻量化且高精度的识别模型MobileNetV2 - GCA - LS，有两项关键改进。
- 设计Ghost coordinate attention（GCA）模块，融合Coordinate attention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。
- 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。
- 数据集与预处理
- 采用公开的“Tea sickness dataset”，包含7种常见茶树病害及健康叶片，共885张图片。
- 预处理包括将图像统一调整为224像素×224像素，进行随机模糊、随机曝光等数据增强，采用分层随机抽样将数据集按8:1:1划分为训练集、验证集和测试集。
实验结果
- 消融试验：评估GCA模块和标签平滑策略的有效性。引入GCA模块后，准确率提升1.36个百分点，(F_1)提升0.84个百分点；添加LS策略后，准确率和(F_1)分别提升1.81与1.78个百分点；两者结合效果更佳，准确率和(F_1)分别达到94.54%与94.29%。
- 对比试验：与MobileNetV2、MobileNetV3 - Small等模型相比，MobileNetV2 - GCA - LS在测试集上识别准确率94.54%，(F_1)为94.29%，性能更优，且参数量2.6089M、计算量0.3347GFLOPs，保持较低复杂度。
- 混淆矩阵分析：模型对大多数茶树病虫害类别判别能力较好，鸟眼斑病和灰枯病因病斑形态相似存在较多误判，整体表现稳定。
研究结论
- 提出的改进策略能有效提升模型识别茶叶病虫害的性能，在精度与效率间取得良好平衡。
- 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。