基于改進MobileNetv3Small的花生葉部病害輕量化識別研究

中圖分類號：S126;TP391.41 文獻標志碼：A 文章編號：1002-1302（2025）12-0207-09

花生是我國重要的農作物和油料來源，屬豆科草本植物，在全世界范圍內被廣泛種植。我國花生的種植地區較多，總面積達465萬 hm² ，總產量位居世界第一，在我國農業產業結構中占有重要地位[1]。花生葉部病害會嚴重影響花生的產量和質量，其中以葉斑病為主。據調查，我國花生葉部病害主要有褐斑病[2]、黑斑病、網斑病、焦斑病、銹病、炭疽病等，其中褐斑病、黑斑病、網斑病、焦斑病較為嚴重[3]。

花生葉部病害屬于植物病害表型。植物表型是指植物的外形特征，受自身基因和環境影響，決定農作物的產量。傳統的植物表型研究過于依靠人工觀察、測量以及專家的經驗判斷，效率較低[4-5]。較為傳統的機器學習又嚴重依賴特征提取，普遍適應性較差。深度學習是近年來圖像識別領域重要的技術手段，利用深度學習技術對花生葉部病害圖像進行識別，可以更有效地對表型數據進行分類和識別。

輕量化神經網絡[6-8]識別方法能夠快速、準確地識別花生葉部病害。常見的輕量化神經網絡模型有SqueezeNet[9]、MobileNet[10]、EfficientNet[11]等。本研究選擇的網絡是MobileNet系列中的MobileNet 模型，MobileNet v3^[12] 是一種效率高的輕量化卷積神經網絡，該模型結合了MobileNetv1和MobileNetv2模型的優勢，并進一步提高了模型的精度。MobileNetv3模型有2種模式，分別是Large和Small，它們的整體結構一致，區別在于基本單元bottleneck的數量以及內部參數設置，Small版本適用于移動設備等資源受限的場景，因此本研究選用MobileNetv3Small模型。

本研究提出一種用于花生葉部病害識別和檢測的輕量化卷積神經網絡MobileNetv3Small-SAM，該網絡在MobileNetv3Small模型的基礎上使用SimAM（SAM）注意力機制進行改進，以進一步提高識別精度，減少參數量和計算量，使其適合在資源受限的設備上應用。此外，使用遷移學習將PlantVillage數據集上預訓練的特征及參數遷移到該網絡中，以便于在花生葉部病害數據集上進行識別和檢測。

1基于MobileNetv3Small-SAM的花生葉部病害識別系統框架及實現

1.1 系統框架

MobileNetv3Small-SAM模型主要通過使用SimAM注意力機制替換原有的SE注意力機制來提高模型的性能，具體來說，重新定義1個新的卷積塊，基于MobileNetv3Small中的原始結構，將其中的SE 模塊替換為SimAM模塊。與SE 注意力機制相比，SimAM注意力機制不涉及壓縮和激勵操作，具體來說，SimAM模塊的加入無需向原始模型網絡添加參數，而是推斷特征圖的3D注意力權重，這樣沒有額外的參數加人網絡，不會增加網絡的復雜度，從而使結構更加輕量化。圖1為本研究所搭建的MobileNetv3Small-SAM花生葉部病害識別整體結構，其中實線框部分為使用SAM注意力機制改進后的Bottleneck結構，該模型的主要創新點在于使用SAM注意力機制取代SE注意力機制，無需向原始模型網絡添加參數，可以減少參數量，降低模型復雜度，進一步提高模型的泛用性。

圖1MobileNetv3Small-SAM的整體結構

1.2 MobileNetv3Small

MobileNetv3Small是MobileNetv3的較小版本，適用于要求更低計算成本和內存占用的場景，通過精心設計的網絡結構和輕量化的神經網絡層，可以更快速、更高效地進行圖像分類和目標檢測。

1.2.1MobileNetv3Small網絡結構由表1可知，MobileNetv3Small模型的網絡結構分為3部分，其中第1部分包括1個 3×3 的卷積層和1個批歸一化層，用于特征提取和標準化處理；第2部分由11個深度可分離卷積層和1個逐點卷積層組成，實現特征擴展和提取，并有效減少參數和計算量；第3部分包含1個平均池化層和2個全連接層，用于進一步壓縮特征并映射到輸出類別，同時計算分類概率。MobileNet 模型的設計注重在移動設備和嵌入式設備上的執行效率，采用深度可分離卷積和逐點卷積等技術，實現了高效的特征提取和分類。

表1MobileNetv3Small特征提取網絡的參數

1.2.2Bottleneck結構MobileNetv3Small的核心在于Bottleneck層，由圖2可知，Bottleneck層的主要結構為深度可分離卷積、SE注意力機制模塊和殘差連接。深度可分離卷積利用DepthwiseConv2D和Conv2D對特征圖的每個通道進行輕量化過濾器卷積和融合操作，可顯著減少參數量，使網絡模型更輕量化。SE注意力機制模塊通過壓縮特征圖的空間維度和激勵全局描述符，自適應地調整每個特征通道的權重，提高模型的性能和泛化能力，嵌入到Bottleneck層，以增強表征能力。

圖2Bottleneck的結構

殘差連接通過將某些層的輸人直接添加到較深層的輸出中，促進梯度的反向傳播，減輕梯度消失和爆炸問題，Bottleneck層中的殘差連接提高了訓練速度和穩定性，同時保留了重要信息。

由此可知，Bottleneck層中的深度可分離卷積、SE注意力機制模塊、殘差連接主要在于提高模型的表示能力、感受野和穩定性。

1.3注意力機制改進

SimAM是一種輕量化的自注意力機制，與現有的通道和空間注意力模塊相比，通過特征層中的特征映射推斷3D注意力權重（即考慮空間和通道維度），而不在原始網絡中添加參數[13-15]。對比 SE結構，SAM模塊結合了通道和空間維度，避免了壓縮和激勵操作，不另外產生參數，可減少內存占用，從而更加輕量化。由圖3可知，SE結構包含壓縮和激勵2個操作。

由圖4可知，SimAM的網絡結構與Transformer類似，但是在計算注意力權重時使用的是線性層而不是點積，可以將其中任何一個中間特征張量作為輸人，轉化輸出為相同大小，含有增強表征作用的特征張量。SimAM模塊主要用于增強MobileNet 網絡的特征表示能力，并減少參數量，增加輕量化。

SimAM模塊在神經科學理論的基礎上，提出一個統一權值注意力模塊，使每個神經元被分配1個唯一權重[16]，然后評估神經元的重要性，以便于實現更好的注意力性能。統一權值注意力模塊包括空域抑制，即激活的神經元會抑制其他神經元活動，可通過計算目標神經元與其他神經元之間的線性可分度來發現具有空域抑制效應的重要神經元。根據這種神經科學研究方法，為這些神經元確定能量函數。簡單起見，采用二值標簽，并添加正則項，定義能量函數，最終公式如下：

式中： w_t 為目標神經元變換時的權重； b_t 為目標神經元變換時的偏置參數； Φ_t^t 為特征張量 X 的目標神經元， X=∈R^C×H×W 分別為特征張量 X 的通道數、高度和寬度； x_i 為特征張量 X 的其他神經元； i 為通道神經元索引； M 為每個通道神經元個數， M=H×W;λ 為正則項。

上述公式具有如下解析解：

式中

因此，最小能量可以通過如下公式得到：

式中：

神經元的重要性隨著花生葉部病害特征圖目標神經元與周圍神經元差異性的增加而增加。因此，神經元的權重可以通過 得到。按照注意力機制的定義，需要對特征進行增強處理，具體為

式中： E 為花生葉部病害圖像特征圖的所有神經元集合； ? 為Hadamard 乘積; X 為特征圖的特征張量。

1.4 遷移學習

本研究使用MobileNetv3Small-SAM模型進行遷移學習[17-19]，并將其應用于花生葉部病害圖像的識別。PlantVillage數據集與花生葉部病害數據集相似，因此本研究選用該數據集，并通過數據增強處理提高模型訓練效果，然后通過遷移學習來識別花生葉部病害。

圖5為花生葉部病害遷移學習示意，本研究利用PlantVillage數據集作為預訓練的源域，將模型權重等內容轉移至針對花生葉部病害數據集的改進模型上，借助先驗知識，有效地處理相應的識別任務。在花生葉部病害圖像的訓練過程中，對模型參數進行微調，以獲得最終的花生葉部病害識別模型。對花生葉部病害數據集進行訓練計算，將收集到的數據導入分類器，并對病害類型進行預測。最后，通過將網絡數據轉換為適用于花生葉部病害分類任務的4種輸出，實現對花生葉部病害的精確檢測。

2試驗設計

2.1 試驗環境

硬件環境為Intel@ CoreTMi5-13400FCPU @ 2.50GHz；內存 32 GB；GeForce RTX4060 GPU8GB 。軟件環境為Windows10操作系統、Python3.9、Anaconda3.0、opencv-python 4.8.1.78、torch2.1.1+cul18 。在實現模型的搭建和訓練過程中選擇批次大小為64，學習率初始值設為0.001，優化器為Adam，訓練輪數為100，試驗于2023年11月份在湖北工業大學實驗室進行。

2.2 數據集

本研究使用的4類花生葉部病害數據集采集于河南省光山縣多戶農戶種植花生的花生地，在病斑或紋理特征上有明顯的區別，包括斑點顏色、形狀、布局等方面。選擇這4類花生葉部病害作為研究對象是因為它們對花生產量造成的損失較大，同時也是普遍發生且較為嚴重的葉部病。研究這些病害有助于改進病害防治策略，保障花生的生長。該花生葉部病害數據集包含800幅數字圖像，其中包括褐斑病、黑斑病、網斑病和焦斑病。表2是花生葉部病害圖像數據集信息，按照 9：1 劃分為訓練集、測試集，圖像數量分別為720、80幅。

圖6為花生葉部病害數據集中不同病害的示例。

遷移學習數據集是從PlantVillage數據集中選取的10類數據。PlantVillage數據集包含來自世界各地的數萬幅農作物圖像，其中包括多種常見作物，如蘋果、水稻、小麥、馬鈴薯、草莓等以及這些作物所患的多種疾病。表3為試驗所用到的10類圖像以及數量。數據集共有10109幅圖片，按照 9：1 劃分為訓練集、測試集，圖片數量分別 9 099，1 010 幅。

圖5花生葉部病害遷移學習示意

表2花生葉部病害圖像數據集分布

圖6花生葉片數據集病害示例

圖7為PlantVillage數據集中10種不同類別的示例。

表3PlantVillage圖像數據集樣本分布

2.3性能評估指標

本研究選擇準確率、精確率、召回率和 F₁ 分數作為評價指標。對于分類評價指標來說，準確率用于評估預測正確的比例，精確率用于評估預測正例的查準率，召回率用于評估真實正例的查全率，數值越趨近1越能表示模型的優越性。

3試驗結果與分析

3.1訓練集和測試集實驗結果

圖8為非遷移學習下，4種網絡在花生葉部病害表型訓練集上測試的交叉熵損失函數曲線。本研究所用方法MobileNetv3Small-SAM的損失值下降迅速且平滑穩定，第1輪（訓練輪數為1）到第20輪損失值快速下降，第20輪后開始緩慢下降，最終穩定在0.06左右。MobileNet 網絡的損失值下降比較平緩，慢于其他網絡模型。MobileNetv3Small-CBAM網絡損失值下降速度與本研究所用方法基本一致，訓練第20輪后逐漸趨于平穩，偶有細微波動。MobileNetv3Small-ECA的損失值呈現3種趨勢，從訓練第1輪到第20輪迅速下降，第20輪到第40輪下降平緩，第40輪后逐漸平穩。在訓練集上跑的4種神經網絡模型中，本研究所用方法表現最好，整體上比其他3個網絡模型下降效果明顯且平穩;其次是MobileNetv3Small-CBAM網絡，最差是MobileNetv3Small。

圖7PlantVillage遷移學習數據集示例

圖8非遷移學習網絡在訓練集上的損失值變化曲線

圖9為遷移學習后，4種網絡模型在訓練集上的損失值，本研究所用方法MobileNetv3Small-SAM、MobileNetv3Small- CBAM和 MobileNetv3Small-ECA模型幾乎存在一樣的下降趨勢，在訓練輪數為10后損失值下降趨勢開始趨于平滑且逐漸穩定，而MobileNetv3Small的損失值在訓練輪數為20后才開始平穩下來。

對比圖8和圖9可知，網絡模型通過遷移學習學習到了很好的特征點，使損失值下降速度更快、更平滑穩定。

圖9遷移學習網絡在訓練集上的損失值變化曲線

圖10為非遷移學習下，4種網絡在測試集上的準確率曲線，本研究所用方法MobileNetv3Small-SAM、MobileNetv3Small-CBAM和MobileNetv3Small-ECA模型準確率變化趨勢幾乎一樣，在訓練第1輪（訓練輪數為1）到第30輪之間快速上升，第30輪后趨于穩定。最后階段本研究所用方法的準確率略高，為 97% 左右，但不夠平穩，具有細微波動。MobileNetv3Small的準確率上升緩慢，同時準確率也最低，最后階段為 95% 左右。

圖10非遷移學習網絡在測試集上的準確率曲線

圖11為遷移學習后，4種網絡在測試集上的準確率曲線，4種網絡模型的準確率上升趨勢大致相同，其中MobileNetv3Small-SAM的準確率一直保持最高，最后階段為 99.5% 左右，而且上升速度最快且平穩;而MobileNetv3Small-CBAM模型的準確率上升速率相對比較緩慢，但仍具有較高的準確率，最后穩定在 98% 。

圖11遷移學習網絡在測試集上的準確率曲線

對比圖10和圖11可知，遷移學習可以大幅度提高模型的學習能力以及學習速率，進一步提高模型的適配度。

3.2 結果對比

在深度學習模型的設計中，參數量和模型內存占用量都是非常重要的指標。模型參數量的增加，會增大模型的存儲空間和計算復雜度，從而降低模型的實際應用價值。因此，設計一個參數量少、模型內存占用量小、性能表現良好的模型是非常有必要的。對比表4列出的4個模型可以發現，本研究所用方法MobileNetv3Small-SAM在保證性能的情況下，比原模型減少約 30. 07% 的參數量和2.33MB的內存大小。這意味著在進行花生葉部病害識別時，可以通過更少的存儲空間來運行模型，同時與另外2種模型相比，參數量和內存大小都是最小的，表明MobileNetv3Small-SAM是一個在參數量和模型內存占用量2個方面都具有一定優勢的模型。

表4模型參數量以及模型大小對比

表5主要列出在非遷移學習下，本研究所用方法MobileNetv3Small-SAM以及MobileNet 、MobileNetv3Small-CBAM和MobileNetv3Small-ECA模型在測試集上的分類評價指標。從表5中可以看出，本研究所用方法在精確率、召回率和 F₁ 分數上均優于其他3種模型，表現最好。

表5非遷移學習下分類評價指標

本研究所用方法在測試集上比MobileNet 模型精確率、召回率、 F₁ 分數上分別提升2.50、2.50、2.41百分點。在4個模型中，MobileNet 各項評價指標均最低，但也具有較好的分類能力。另外2種模型各項評價指標基本一致，有細微的差距。

表6主要列出在遷移學習下，本研究所用方法以及另外3種模型在測試集上的各項評價指標。從表中對比看出，本研究所用方法在精確率、召回率、F₁ 分數上都高于其他3種模型，具有最好的表現。

表6遷移學習下分類評價指標

本研究所用方法比原始模型MobileNetv3Small在精確率、召回率、 ?F₁ 分數上分別提升2.52、2.25、2.20百分點。

對比表5和表6可得，本研究所用方法通過遷移學習比非遷移學習在測試集上的評價指標精確率、召回率 分數上分別提高0.56、2.25、0.82百分點。

表7列出在非遷移學習下本研究所用方法的各分類評價指標，本研究所用方法在識別花生葉部黑斑病時，表現出較高的精確率，同時召回率也是較高的，表明該網絡模型幾乎捕捉了全部實際情況。較高的 F₁ 分數說明精確率和召回率的平衡具有較好的魯棒性。在識別花生葉部焦斑病過程中，相對較高的召回率反映該網絡模型對分類類別的覆蓋能力很強，雖然精確率較低，但偏高的 F₁ 分數表明精確率和召回率的調和程度很好。在花生葉部網斑病的識別任務上，精確率、召回率和 F₁ 分數基本一樣，突顯出該網絡模型在此類病害的識別上具有較好的穩定性。對花生葉部褐斑病的識別也具有較高的精確率，較低的召回率可能是受到圖像背景的影響，以及其他分類樣本的誤分類。

表7非遷移學習下本研究所用方法的各分類評價指標

表8列出遷移學習后各分類各項評價指標，本研究所用方法在花生葉部黑斑病和焦斑病的識別上各項指標都達到了 100% ，表示該網絡模型幾乎完全正確地提取到類別的特征點，捕獲幾乎所有實際情況特征。在花生葉部褐斑病和網斑病的識別過程中，各項指標均高于 95% ，反映該模型具備較好的性能。

表8遷移學習下本研究所用方法的各分類評價指標

3.3 特征可視化網絡

0 ΔJrad-CAM^[20] 是一種可視化深度神經網絡中處理特征圖的重要技術，能夠更好地理解模型在分類過程中的注意力集中情況。為了更好地展示SAM模塊的處理效果，圖12展示了4類花生葉部病害圖像的Grad-CAM類激活映射可視化示例。

卷積層通過計算生成特征圖對比其他層更能有效地反映目標類別的特征性，故選擇網絡特征層的最后一層卷積作為目標層進行計算。從熱力圖（圖12）中可以直觀地看出，本研究所用方法中的SAM注意力機制比SE、CBAM和ECA等3種注意力機制生成的熱力圖，在病斑的顏色以及位置上與原始圖像的一致性最好，表明本研究所用方法的網絡可以更好地提取花生葉部病害的特征點。

4結論

本研究在原模型MobileNetv3Small的基礎之上，使用SimAM注意力機制改進模型。在非遷移學習和遷移學習下，改進后的模型MobileNetv3Small-SAM的準確率、精確率、召回率 分數均高于原模型，并減少了大約 30.07% 的參數量和 2.33M 的內存。根據Grad-CAM可視化可以看出，相比其他3種模型，本研究所用方法在病斑的顏色以及位置上與原始圖像更加一致。體現了本研究模型的優越性、泛用性、以及輕量化優勢可以更好地在移動端和嵌人式設備上進行使用。

從多個指標來看，本研究所用方法也會產生誤識別問題，主要為相似病害、相似背景以及圖像的清晰度造成的誤分類問題。但從整體上看，本研究所用方法的網絡模型可以更好地提取花生葉部病害的特征點，更加準確穩定地識別檢測出花生葉部病害。

參考文獻：

[1]范燕，趙雪飛，劉曉光.花生葉部病害研究進展[J].安徽農業科學，2022，50（14）：4-8.

[2]張海東，劉曉舟，梁春浩，等.花生褐斑病生防菌篩選及田間防效評價[J].花生學報，2023，52（3）：42-47.

[3]顏景波，吳占鵬，蘇君偉，等.花生葉部病害防治技術研究[J].農業科技通訊，2013（3）：123-125.

[4]翁楊，曾睿，吳陳銘，等.基于深度學習的農業植物表型研究綜述[J].中國科學：生命科學，2019，49（6）：698-716.

[5]岑海燕，朱月明，孫大偉，等.深度學習在植物表型研究中的應用現狀與展望[J].農業工程學報，2020，36（9）：1-16.

[6]付佐毅，周世杰，季頂根.輕量級目標識別深度神經網絡及其應用［J].計算機工程與應用，2020，56（18）：131-136.

[7]袁培森，歐陽柳江，翟肇裕，等.基于MobileNetv3Small-ECA的水稻病害輕量級識別研究［J].農業機械學報，2024，55（1）：253-262.

[8]FengCG，JiangML，HuangQ，etal.Alightweightreal-timericeblast disease segmentation method based onDFFANet[J].Agriculture，2022，12（10）：1543.

[9]IandolaFN，HanS，MoskewiczMW，etal.SqueezeNet：AlexNet-level accuracywith 50x fewerparameters and lt;0.5 MB model size[EB/OL].（2016?11?04）[2024-05?01].https：//arXiv.org/abs/1602.07360.

[10]HowardAG，Zhu ML，Chen B，et al.MobileNets：efficientconvolutional neural networks for mobile vision applications[EB/OL].（2017-04-17）[2024-05-01].https：//arXiv.org/abs/1704.04861.

[11]Tan MM，Le Q.Efficientnet：rethinking model scalingforconvolutional neural networks[C]//International ConferenceonMachine Learning.PMLR，2019.

[12]HowardA，SandlerM，ChenB，etal.SearchingforMobileNetv3[C]//IEEE/CVF International Conference on Computer Vision（ICCV）.Seoul，2019：1314-1324.

[13]李子茂，李嘉暉，尹帆，等.基于可形變卷積與SimAM注意力的密集柑橘檢測算法[J]：中國農機化學報，2023，44（2）：156 -162.

[14]田 甜，程志友，鞠薇，等.基于SimAM-ConvNeXt-FL的茶葉病害小樣本分類方法研究[J]．農業機械學報，2024，55（3）：275-281.

[15]朱傳軍，劉榮光，成佳聞，等.基于SimAM模塊與ResNet34網絡的混合缺陷檢測模型[J].現代制造工程，2023（2）：1-9.

[16]YangLX，ZhangRY，LiLD，etal.SimAM：a simple，parameter-freeattention module forconvolutional neural networks[C]//Proceeding of the 38th International Conference on MachineLearning，2021.

[17]蘇婷婷，牟少敏，董萌萍，等.深度遷移學習在花生葉部病害圖像識別中的應用[J].山東農業大學學報（自然科學版），2019，50（5） ：865-869.

[18]張紅濤，羅一銘，譚聯，等.基于遷移學習和殘差網絡的谷子病害識別研究[J].河南農業科學，2023，52（12）：162-171.

[19]郭惠萍，曹亞州，王晨思，等.基于遷移學習的蘋果落葉病識別與應用[J].農業工程學報，2024，40（3）：184-192.

[20]Selvaraju RR，Cogswell M，Das A，etal.Grad-CAM：visualexplanationsfrom deep networksvia gradient-based localization[C]//IEEEInternational Conferenceon ComputerVision（ICCV）.Venice，2017：618-626.

圖12 特征可視化熱力