LMRNet:面向边缘设备实时山地水稻叶部病害识别的轻量级卷积神经网络

《Frontiers in Plant Science》:LMRNet: a lightweight convolutional neural network for real-time mountain rice leaf disease recognition on edge devices

【字体: 大 中 小 】 时间:2026年03月23日 来源:Frontiers in Plant Science 4.8

编辑推荐:

  摘要:引言:水稻病害的智能防控是智慧农业发展的重要组成部分。近年来,随着计算机视觉技术的快速发展,多种基于深度学习的水稻病害识别方法被提出,部分模型已超越农业技术人员的诊断性能。然而,现有模型普遍存在计算复杂度高、泛化能力有限的问题,难以在边缘设备上部署以实现

  
摘要:引言:水稻病害的智能防控是智慧农业发展的重要组成部分。近年来,随着计算机视觉技术的快速发展,多种基于深度学习的水稻病害识别方法被提出,部分模型已超越农业技术人员的诊断性能。然而,现有模型普遍存在计算复杂度高、泛化能力有限的问题,难以在边缘设备上部署以实现离线田间条件下的实时、精准病害识别。方法:为促进相关技术的工程应用,本研究针对面向边缘智能的山地水稻叶部病害识别方法展开研究。基于自构建的山地水稻叶部病害图像数据集,遵循轻量级卷积神经网络设计原则,构建了适用于边缘智能设备的新型轻量级山地水稻病害识别模型架构。此外,在Android平台上开发了面向智能手机的山地水稻叶部病害识别应用。结果:田间验证实验表明,该应用在多种智能手机型号上的平均准确率达92.41%,平均推理速度约为22.47帧每秒(FPS),显示出高实时性和识别精度。讨论:研究成果将为山地水稻病害的智能防控提供可靠的理论基础和技术支撑。
论文解读:面向边缘智能的山地水稻叶部病害实时识别模型LMRNet研究
研究背景与立项依据
水稻作为全球最重要的主粮作物之一,其生产受环境因素尤其是病害影响显著。传统依赖人工经验的病害识别方式存在效率低、误诊率高及专家资源匮乏等问题,难以满足现代农业对高效智能化管理的需求。尽管基于卷积神经网络(CNN)的病害识别方法已取得显著进展,但在山地水稻这一特定场景下仍面临严峻挑战。山地环境具有地块破碎、背景杂乱、气候多变导致成像条件不稳定等特点,且山地水稻常因土壤贫瘠表现出与病害相似的缺素症状,增加了识别难度。此外,山区网络覆盖不足要求模型必须具备离线本地化部署能力。现有通用模型往往对异质性病斑敏感度不足,在复杂光照和背景下鲁棒性欠佳,且模型参数量大,难以在资源受限的边缘设备上实现实时推理。为此,研究人员针对山地水稻叶部病害识别的特殊性,开展了轻量化、高精度且适应边缘设备部署的模型架构研究,相关成果发表于《Frontiers in Plant Science》。
关键技术方法概述
研究人员首先构建了包含健康叶片及稻瘟病(Rice blast)、纹枯病(Sheath blight)、白叶枯病(Bacterial leaf blight)、褐条病(Brown spot)和细菌性条斑病(Bacterial leaf streak)五类病害的山地水稻叶部病害识别数据集(MRD-Leaf),共1800幅图像,并采用像素归一化和包括角度、光照、噪声及颜色扰动在内的数据增强策略以提升模型鲁棒性。在此基础上,提出了一种名为LMRNet的新型轻量级卷积神经网络,其核心特征提取单元深度融合了分组卷积(Grouped Convolution)、通道混洗(Channel Shuffle)、深度可分离卷积(Depthwise Separable Convolution)及逆残差结构(Inverted Residuals)等模块。研究采用迁移学习与重训练相结合的策略,先在Plant Village数据集上预训练,再利用MRD-Leaf数据集进行微调。通过消融实验验证了各模块的贡献,并与MobileNetV1/V2、ShuffleNetV1/V2、GhostNet、EfficientNet、MobileOne、EfficientViT及RepViT等主流轻量级模型进行了系统性的性能对比。最后,研究人员开发了基于Android平台的智能手机应用,并利用三种不同硬件配置的手机进行了田间实地验证。
研究结果
1. 模型构建与消融实验分析
研究人员设计的LMRNet模型由8个阶段构成,Stage 1采用步长为2的深度可分离卷积进行初始特征提取,Stage 2至Stage 5为特征提取层,包含步长分别为2和1的基础特征提取单元,Stage 6至Stage 7进行通道调整与全局平均池化,最终通过Softmax分类器输出结果。消融实验结果显示,去除或替换关键模块均会导致性能下降。具体而言,将深度可分离卷积替换为标准卷积(LMRNet?①)会使浮点运算量(FLOPs)增加122%,参数数量(Params)增加178%,推理速度(FPS)下降54.2%;移除通道混洗操作(LMRNet?③)虽对效率指标影响甚微,却导致准确率暴跌2.04个百分点;去除残差连接(LMRNet?⑤)则造成最大的准确率跌幅(2.50个百分点)。这表明深度可分离卷积与分组卷积是模型轻量化的支柱,而通道混洗与残差连接则是保障高精度的关键结构。
2. 模型对比分析
在与主流轻量级CNN模型的对比中,LMRNet展现出优越的综合性能。其准确率(Accuracy)达到99.26%,精确率(Precision)、召回率(Recall)及F1分数(F1-score)均为97.78%。在计算复杂度方面,LMRNet仅需0.54G FLOPs和0.90M参数,模型大小仅为3.71MB。在运行效率上,其推理速度高达2066.31 FPS。可视化分析进一步表明,LMRNet的训练损失与验证损失曲线收敛稳定,且在识别具有小目标特性的褐条病和形态异质性的细菌性条斑病等“硬样本”时,其混淆矩阵表现优于除RepViT外的所有对比模型。
3. 田间验证测试分析
田间验证实验选取了HONOR Magic VS、HONOR 400及OPPO A52三款不同配置的智能手机进行测试。结果表明,该应用在三种机型上的平均识别准确率为92.41%,平均推理速度为22.47 FPS。其中,纹枯病的识别准确率最高(96.67%),稻瘟病次之(95.56%),而褐条病的识别准确率相对较低(86.67%)。该结果证实了基于LMRNet的应用在不同硬件平台上均能保持稳定的高性能,满足了山地水稻叶部病害实时检测的预期目标。
结论与讨论
研究人员通过梯度加权类激活映射(Grad-CAM)对模型的特征提取过程进行了可解释性分析,发现LMRNet能够在卷积特征图中有效捕捉病斑区域的语义信息,其激活热图显示模型注意力高度集中于典型病斑区域。相比之下,发生过度拟合的对比模型则表现出注意力区域分散的现象。综上所述,LMRNet通过结构重参数化原理和多路径特征融合机制,在保持模型表征能力的同时显著降低了计算复杂度与内存消耗,实现了效率与鲁棒性的最佳平衡。该研究不仅为山地水稻病害的智能防控提供了可靠的理论基础与技术支撑,也为边缘计算在智慧农业领域的落地应用提供了重要的实践参考。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号