MobileNet-GDR：一种基于改进版MobileNetV4-small的轻量级葡萄叶病识别算法

《Frontiers in Plant Science》：MobileNet-GDR: a lightweight algorithm for grape leaf disease identification based on improved MobileNetV4-small

本文提出基于MobileNetV4-small的轻量级图像分类算法MobileNet-GDR，通过分组卷积优化特征融合，引入PReLU增强非线性表达能力，实现99.625%的高准确率，参数仅1.75M，FLOPs 0.18G，推理速度184.89 FPS，适用于移动端实时病害诊断。

　　本文探讨了一种用于葡萄叶病诊断的轻量级图像分类算法MobileNet-GDR，旨在解决现有深度学习模型在移动设备上部署时面临的高计算复杂性和实现难度的问题。随着农业智能化的发展，葡萄作为重要的经济作物，其生长过程中易受多种病害影响，如黑腐病、黑痘病和叶斑病等，这些病害对葡萄的产量和品质造成了严重威胁。传统的依靠农业专家进行目视检查的方法效率低下且主观性强，难以满足现代农业对精准农业的高要求。近年来，计算机视觉和深度学习技术的进步使得基于图像的自动病害诊断成为研究热点。尽管像ResNet、VGG和EfficientNet这样的卷积神经网络在植物病害识别中表现出色，但它们通常具有较高的参数量和计算复杂度，这限制了其在资源受限的移动或嵌入式系统中的应用。

针对上述问题，本文提出了一种基于MobileNetV4架构的轻量级模型MobileNet-GDR，旨在在保持模型性能的同时显著提升计算效率。MobileNetV4系列通过结构创新和训练策略优化，进一步提升了模型在移动设备和边缘计算设备上的性能。本文的主要贡献在于三个方面：首先，将MobileNetV4中的传统点卷积替换为分组卷积，以减少计算复杂度并保持特征表达能力；其次，引入PReLU激活函数，以增强模型对细微病变特征的捕捉能力；最后，通过系统实验验证了这些改进的有效性，并证明了MobileNet-GDR在分类准确率和计算效率之间实现了更优的平衡。

为了实现这一目标，本文构建了一个高效的特征提取模块，利用深度可分离卷积和分组卷积相结合的方式，优化了特征融合过程。传统点卷积虽然能够实现全连接的特征融合，但其计算复杂度随着通道数的增加呈二次增长，这在轻量级模型设计中尤为明显。而分组卷积则通过将输入通道划分为多个非重叠子组，分别进行卷积运算，从而有效降低参数数量和计算量。实验结果显示，MobileNet-GDR在仅需1.75M参数和0.18G FLOPs的情况下，达到了99.625%的分类准确率，并实现了184.89 FPS的实时推理速度。这些结果表明，MobileNet-GDR在保持高性能的同时，显著提升了计算效率，为农业应用中的实时病害诊断提供了有力支持。

在模型结构优化方面，本文重点探讨了分组卷积和PReLU激活函数的结合应用。分组卷积在减少计算复杂度的同时，能够有效保留模型的表达能力，避免传统点卷积带来的冗余计算和过拟合问题。PReLU激活函数相较于标准的ReLU和ReLu6，具有更灵活的非线性表达能力，能够适应不同病害图像的特征需求，特别是在早期病变区域的识别上表现更佳。实验分析表明，PReLU在保持模型稳定性的同时，能够显著提升分类准确率，使得模型在实际应用中更具优势。

为了验证模型的性能，本文进行了详尽的消融实验和对比实验。消融实验结果表明，分组卷积和PReLU的引入显著提升了模型的分类准确率和计算效率，同时保持了模型的稳定性和可解释性。对比实验则展示了MobileNet-GDR在多种轻量级模型中的优越表现，其在分类准确率和计算效率方面均优于FasterNet和GhostNet等主流模型。此外，通过五折交叉验证，MobileNet-GDR在四个关键评估指标上均表现出色，其平均准确率、精确率、召回率和F1分数分别达到99.39%、99.26%、99.30%和99.29%，进一步证明了模型在葡萄叶病识别任务中的可靠性。

从模型的性能指标来看，MobileNet-GDR不仅在分类准确率上表现优异，还在参数数量、模型大小、推理延迟和处理速度等方面具备显著优势。模型的参数数量仅为1.75M，相较于基线模型减少了30%，同时模型大小仅为6.86MB，显著降低了存储需求。推理延迟仅为5.41ms，处理速度达到184.89 FPS，这使得MobileNet-GDR在资源受限的移动设备上具有极高的实用性。这些性能指标的提升，使得MobileNet-GDR能够在农业现场实现快速、准确的病害诊断，为精准农业提供了新的技术路径。

此外，本文还通过Grad-CAM热图对模型的特征提取能力进行了可视化分析。结果显示，MobileNet-GDR在病变区域的注意力机制上表现出更强的聚焦能力，能够更精确地定位病害特征。与基线模型MobileNetV4相比，MobileNet-GDR的热图更加集中，避免了特征激活扩散到健康叶片或背景区域的问题。这一结果表明，MobileNet-GDR不仅在计算效率上优于传统模型，其在特征表达上的优化也提升了模型的可解释性和诊断可靠性。

从模型的优化策略来看，本文在分组卷积的组数选择和PReLU的参数α设置上进行了深入分析。实验表明，当组数设置为4时，模型在保持高分类准确率的同时，参数数量和计算量得到了显著降低。而在PReLU的α参数选择上，α=0.25在实验中表现最优，既保证了模型的高准确率，又避免了梯度消失问题。这些优化策略不仅提升了模型的性能，也为其他农业应用中的轻量级模型设计提供了参考。

尽管本文提出的MobileNet-GDR在多个方面表现出色，但仍存在一些局限性。例如，模型在特定光照、叶片朝向和背景条件下训练，可能在实际田间环境中面临一定的泛化能力挑战。此外，虽然模型在高性能计算平台上表现出良好的实时性，但在资源受限的移动设备或嵌入式系统中的表现仍需进一步验证。未来的研究方向包括扩展模型的适用范围，探索其在不同作物和病害类型中的泛化能力，以及开发用户友好的移动应用，推动该技术在农业领域的实际应用。

本文的研究成果为农业智能化提供了一个重要的技术支撑。MobileNet-GDR不仅能够在葡萄叶病识别任务中实现高准确率，同时其轻量级特性使其具备在资源受限设备上部署的潜力。这种高效、准确的病害诊断技术，有助于实现精准农业，提升病害防控效率，减少农药使用，推动农业可持续发展。通过本文的研究，我们不仅提出了一个有效的轻量级图像分类算法，也为未来在农业领域应用深度学习技术提供了新的思路和方法。