移动网络-GDR:基于改进的移动网络V4-小的葡萄叶疾病识别的轻量级算法
Gang Chen1, Zhennan Xia1, Xiaodan Ma1
1School of Information Engineering, Changchun College Of Electronic Technology, Changchun, China.
Frontiers in plant science
|November 24, 2025
概括
本研究介绍了MobileNet-GDR,这是一种轻量级的深度学习模型,用于在移动设备上识别葡萄叶病. 它以降低计算成本实现了高精度,使实时现场诊断成为可能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 用于葡萄叶疾病诊断的深度学习模型面临着计算复杂性和移动部署的挑战.
- 现有的模型往往需要大量的资源,这限制了它们在现场条件下的使用.
研究的目的:
- 开发一个轻量级的图像分类算法,以便在移动设备上高效地诊断葡萄叶病.
- 优化深度学习模型,以实现农业应用中的实时性能和准确性.
主要方法:
- 基于MobileNetV4小型架构的拟议的MobileNet-GDR算法.
- 利用深度可分离的卷积和分组的卷积来有效地提取和融合特征.
- 嵌入了PReLU激活功能,以改善非线性表示.
主要成果:
- 移动网络-GDR只用1.75M个参数和0.18G的FLOP实现了99.625%的分类准确度.
- 实现了184.89 FPS的实时推断速度.
- 与FasterNet和GhostNet相比,已经证明了卓越的计算效率.
结论:
- 移动网-GDR为实时葡萄叶疾病诊断提供了一种实用而轻量级的解决方案.
- 该模型的效率和准确性对于农业应用和野外疾病监测具有价值.


