基于轻量化卷积神经的甜瓜白粉病田间快速检测系统
摘要：甜瓜白粉病是由白粉菌引起的主要真菌病害，严重影响甜瓜产量和品质。本文基于深度学习模型 MobileNetV3 构建了甜瓜叶片病害识别系统，利用迁移学习与数据增强方法对健康与病叶图像进行训练。结果表明，该模型对白粉病识别准确率达 98% 以上，具有识别快、泛化性强等优点。结合科学栽培管理与综合防控措施，可有效降低病害发生率，为甜瓜白粉病的智能诊断与绿色防控提供技术支撑。
作者：Bob(原创)
算法概述
相对重量级网络而言，轻量级网络的特点是参数少、计算量小、推理时间短。更适用于存储空间和功耗受限的场景，例如移动端嵌入式设备等边缘计算设备。因此轻量级网络受到了广泛的关注，其中MobileNet可谓是其中的佼佼者。MobileNetV3经过了V1和V2前两代的积累，性能和速度都表现优异，受到学术界和工业界的追捧，无疑是轻量级网络的“抗把子“。MobileNetV3 参数是由NAS（network architecture search）搜索获取的，又继承的V1和V2的一些实用成果，并引人SE通道注意力机制，可谓集大成者。
图1 MobileNetV3 网络结构示意图
注意large和small的整体结构一致，区别就是基本单元bneck的个数以及内部参数上，主要是通道数目。
系统设计
本系统为基于轻量化卷积神经网络的甜瓜白粉病田间快速检测系统，面向田间实拍叶片图像，采用 MobileNetV3 进行高效推理。通过“数据输入—模型推理—结果展示”流程，实现对白粉病与健康叶片的精准识别与置信度输出，显著提升病害现场诊断与农业生产管理效率。
图3 系统整体流程图
数据集构建
1.数据来源
本数据集包含甜瓜白粉病和健康叶片图像。数据源来自Google图像搜索，适用于田间快速检测系统研究。
表1 数据集基本信息
图4 数据集图片
2.分类格式
该格式用于图像分类任务，广泛应用于包括MobileNetV3在内的深度学习模型训练。数据集中的图像将根据类别进行分类，以确保数据与模型的高效匹配，从而提升分类精度和推理效率。
图5 分类数据集格式
3.数据集划分
本研究使用的分类图像数据集仅包含按类别整理的图像文件，该数据集适用于图像分类任务，用于模型的训练与验证。
图5 数据集划分：测试集和训练集
模型训练
利用轻量化 MobileNetV3 网络，通过迁移学习和数据增强对甜瓜叶片图像进行特征提取与分类训练，实现高效准确的病害识别。
图6 模型训练流程图
1.
以下是关于MobileNetV3模型训练过程中的配置文件和超参数设置，并通过配置文件以及相关参数进行训练设置。
表2 MobileNetV3模型训练超参数设置
2.模型性能评估
在MobileNetV3模型的训练过程中，模型性能评估是衡量其在图像分类任务中表现的重要环节，能够全面反映模型在分类精度和泛化能力方面的表现。科学而准确的评估不仅有助于揭示模型的优势与不足，还能为后续的改进与优化提供可靠依据。
（1）训练与验证准确率和损失曲线
图7 MobileNetV3训练与验证准确率和损失曲线
从训练与验证曲线可以看出，模型在前期迅速收敛，准确率稳定在99%以上，损失值持续下降且训练与验证趋势一致，说明MobileNetV3模型拟合良好、无明显过拟合，具有较强的泛化能力与稳定的识别性能。
（2）混淆矩阵热力图
图8 MobileNetV3混淆矩阵热力图
从混淆矩阵热力图可以看出，模型在健康叶片和白粉病叶片两类上均实现了100%的正确分类，对角线区域颜色最深且数值为1.0，非对角线为0.0，说明MobileNetV3模型无误判与漏判，分类性能极佳、识别准确率达到完美水平。
（3）各类的分类性能评估：准确率、精确率、召回率与F1分数图
图9 各类的分类性能评估：准确率、精确率、召回率与F1分数图
从模型评估指标图可以看出，MobileNetV3在甜瓜叶片分类任务中表现极为出色，整体准确率、精确率、召回率及F1值均达到1.00，说明模型在区分健康叶片与白粉病叶片时实现了完全正确的识别，没有出现误判或漏判，体现出极高的稳定性与泛化能力，分类性能达到最佳水平。
（4）训练日志（Training Log）
训练日志记录了MobileNetV3模型在训练过程中的详细信息，包括训练轮次、每轮的损失值、验证准确率以及训练时间等，这些信息帮助评估模型的训练效果和性能。
图10 MobileNetV3训练日志
训练轮次30轮，耗时约20.6分钟，训练损失从 0.224（epoch 1）降至 0.005（epoch 30），验证准确率从 0.936（epoch 1）提升至 1.000（epoch 30）。
训练结果显示，模型在30个训练周期后已稳定收敛，训练损失降至极低水平，验证准确率达到100%，说明MobileNetV3模型在甜瓜叶片分类任务上具有优异的学习能力和极强的识别精度。
该系统硬件配置如下，如果您的电脑配置低于下述规格，模型训练时间及结果可能会与本系统的训练日志存在差异，请注意。
表3 电脑硬件配置
功能展示
本系统基于轻量化卷积神经网络 MobileNetV3 模型，实现甜瓜白粉病的田间快速检测，集成图像预处理、特征提取、分类推理与结果可视化，为甜瓜白粉病的智能识别与病害防控提供技术支持
1. 系统主界面展示
图11 系统主界面
2. 图片检测功能
图12 甜瓜白粉病
图13 甜瓜健康叶片
3. 保存结果
图14 结果保存
4. 生成防治方案报告
图15 成功生成报告
图16 防治方案报告
界面设计
本系统的图形用户界面采用PyQt5框架开发，致力于打造直观、高效且流畅的交互体验。通过精心设计的界面布局和模块化架构，系统功能得以清晰呈现，并确保各项操作的高效执行，全面提升用户使用体验。
图20 PyQt5主控面板界面
该界面展示了基于PyQt5框架精心设计的系统，界面布局简洁、直观且高度集成。通过巧妙的模块化设计，系统涵盖了多项功能模块，确保用户能够高效、流畅地进行操作与交互，充分体现了系统在医学领域中的智能化与人性化设计。