LDL-MobileNetV3S:一种增强的轻量级的MobileNetV3小型模型,用于通过多模块融合来诊断马叶病
Jinyan Zhang1, Xiaofei Yang1, Xueliang Fu1
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot, China.
Frontiers in plant science
|November 7, 2025
概括
这项研究介绍了LDL-MobileNetV3S,一种轻量级的人工智能模型,用于高精度检测马叶病. 这种高效的模型非常适合在资源有限的设备上进行现场部署.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 准确的土豆叶病检测对于全球粮食安全至关重要.
- 传统方法在复杂的现场条件下与早期病变,模糊的边缘和背景干扰作斗争.
研究的目的:
- 开发一个优化的轻量级卷积神经网络 (CNN),用于精确识别马叶病.
- 解决现有方法在特征提取和强度方面的局限性.
主要方法:
- 提出了一个优化的轻量级CNN架构,LDL-MobileNetV3S,基于MobileNetV3小.
- 包含一个轻量级多尺度轻 (LF) 模块,用于小损伤感知.
- 集成了一个动态扩展卷积 (DDC) 模块,用于模糊边界特征捕获.
- 使用轻量级注意力 (LA) 模块来减轻背景干扰.
主要成果:
- 实现了94.89%的识别准确度,具有精确度 (93.54%),回忆 (92.53%),和F1得分 (92.77%).
- 该型号非常紧:6.17 MB的存储空间和150万个参数.
- 在规模和效率方面表现优于EfficientNet-B0和ConvNeXt等基准模型.
结论:
- LDL-MobileNetV3S为土豆叶病的诊断提供了卓越的性能和效率.
- 提供了一种具有成本效益和高精度的解决方案,适用于资源有限的现场环境.
- 能够在智能诊断设备上部署,以实时监测疾病.
