[论文解读] Improved lightweight identification of agricultural diseases based on MobileNetV3

Yuhang Jiang, Wenping Tong|arXiv (Cornell University)|Jul 19, 2022

Smart Agriculture and AI被引用 5

一句话总结

本文提出了一种基于MobileNetV3的改进轻量化模型，通过集成Coordinate Attention模块，将大尺寸模型的参数量减少了23.4%，在大模型版本上准确率提升了0.92%；在小模型版本上，准确率提升了2.48%，推理速度加快了7.5%，实现了在边缘设备上的高效部署。

ABSTRACT

At present, the identification of agricultural pests and diseases has the problem that the model is not lightweight enough and difficult to apply. Based on MobileNetV3, this paper introduces the Coordinate Attention block. The parameters of MobileNetV3-large are reduced by 22%, the model size is reduced by 19.7%, and the accuracy is improved by 0.92%. The parameters of MobileNetV3-small are reduced by 23.4%, the model size is reduced by 18.3%, and the accuracy is increased by 0.40%. In addition, the improved MobileNetV3-small was migrated to Jetson Nano for testing. The accuracy increased by 2.48% to 98.31%, and the inference speed increased by 7.5%. It provides a reference for deploying the agricultural pest identification model to embedded devices.

研究动机与目标

• 为解决农业病害识别系统中模型过大、可部署性差的问题。
• 在保持或提升分类准确率的同时，减少MobileNetV3的计算和内存开销。
• 实现在资源受限的嵌入式设备（如Jetson Nano）上的高效病害检测模型部署。
• 通过针对农业图像数据定制的注意力机制，提升卷积神经网络的特征表示能力。

提出的方法

• 将Coordinate Attention模块集成到MobileNetV3中，以更低的计算成本增强空间特征建模能力。
• 应用Coordinate Attention机制，聚焦特征图中的关键空间位置，提升注意力效率。
• 在农业病害数据集上对MobileNetV3-small和MobileNetV3-large两个变体进行微调，引入新型注意力模块。
• 对模型进行量化处理并在Jetson Nano上部署，评估其在真实边缘环境中的推理速度与准确率。
• 采用迁移学习和数据增强技术，提升在有限农业图像数据集上的泛化能力。

实验结果

研究问题

• RQ1 在农业病害分类任务中，将Coordinate Attention集成到MobileNetV3是否能在不损失准确率的前提下减少模型参数和大小？
• RQ2 当在Jetson Nano等边缘设备上部署时，改进后的MobileNetV3模型在推理速度和准确率方面表现如何？
• RQ3 与标准卷积层相比，Coordinate Attention模块在农业病害图像中对特征表示的增强程度如何？
• RQ4 在小尺寸和大尺寸MobileNetV3变体上应用该方法时，模型效率与准确率之间的权衡关系如何？

主要发现

• 改进后的MobileNetV3-large模型参数量减少了22%，模型大小减少了19.7%，准确率提升了0.92%。
• 改进后的MobileNetV3-small模型参数量减少了23.4%，模型大小减少了18.3%，准确率提升了0.40%。
• 在Jetson Nano上部署后，改进的MobileNetV3-small模型达到98.31%的准确率，较基线模型提升了2.48%。
• 优化后，Jetson Nano上的推理速度提升了7.5%，表明实时性能得到显著增强。