摘要
在传统的农业生产实践中，由于缺乏专业知识，农民一般都是根据经验通过肉眼观察来识别作物病害，不仅主观，而且成效甚微，易出现误判，农药使用不当，严重影响粮食的质量和产出，同时也带来经济损失及不必要的环境污染。因此，对农作物病害及时准确识别和有效防治，有助于提升农作物的产量和质量，确保粮食安全。但现有大多方法模型较为复杂，部署在计算资源有限的边缘设备与移动终端时适应性不强，作物病害识别的实时性较差，同时，对生产复杂场景下的农作物病害细粒度识别研究相对较少。因此，本文重点对轻量级农作物病害识别方法展开研究，主要工作如下： （1）针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂，部署在计算资源有限的边缘设备和移动终端上适应性不强，实时准确识别作物病害较差的问题，引入ECA注意力机制对ShuffleNetV2单元进行改进，设计Shuffle-ECA单元模块，提出一种基于Shuffle-ECANet的轻量级农作物病害识别方法。在PlantVillage数据集中经过随机组合增强的5种作物26类病害数据上进行实验评估，结果表明，该模型的参数量约为0.295M，计算量为33.88MFLOPs和66.74MMAdd，病害识别平均准确率达到了99.24%。改进模型在保持轻量化的同时具有较高效的模型性能，可为设计适合在低性能设备部署的病害识别模型提供参考。 （2）在农作物生产实践中，受自然环境等因素影响，农作物叶面病害往往存在早晚期症状程度不同以及同一时间段可能有多种病害混合出现，导致病害细粒度分类识别复杂且难度较高。同时，现有轻量级CNN模型对生产实际复杂场景下的农作物病害图像细粒度识别准确度不高，泛化能力不足。因此，本文在上述轻量级Shuffle-ECANet农作物病害识别方法的研究基础上引入Transformer与CNN结合进行改进，设计Shuffle-ViTblock，提出一种基于ShuffleViT的轻量级农作物病害识别方法。在PlantPathology2021-FGVC8数据集上进行实验评估，与Shuffle-ECANet、MobileViT等模型相比较，ShuffleViT模型在保持轻量化的同时对病害细粒度识别具有较高效的模型性能，可为部署在计算资源有限的边缘设备与移动终端进行复杂场景下细粒度农作物病害识别提供参考，为Transformer轻量化应用于农作物病害图像识别领域相关研究提供参考。
NETL