文献类型：期刊文章

作　　者：刘洋[1] 冯全[1] 王书志[2]

Liu Yang;Feng Quan;Wang Shuzhi(School of Mechanical and Electrical Engineering,Gansu Agricultural University,Lanzhou 730070,China;College of Electrical Engineering,Northwest University for Nationalities,Lanzhou 730030,China)

机构地区：[1]甘肃农业大学机电工程学院,兰州730070 [2]西北民族大学电气工程学院,兰州730030

出　　处：《农业工程学报》

基　　金：甘肃农业大学学科建设专项基金(GAU-XKJS-2018-188);国家自然基金(61461005)

年　　份：2019

卷　　号：35

期　　号：17

起止页码：194-204

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和Inception V3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和Inception V3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。

关 键 词：植物  病害 图像识别 MobileNet  InceptionV3  ANDROID

分 类 号：S43]