洪惠群，黄风华

（阳光学院 人工智能学院/空间数据挖掘与应用福建省高校工程研究中心,福州350015）

大多数农作物病害在可见光波段会产生某些可见症状，为人工诊断提供可行性[1]。随着图像处理技术的发展，基于深度学习的图像分析技术常被用于农作物叶片病害检测[2]，相较于化学病害检测，它能更早地对早期病害特征进行监测，避免对被测农作物造成不可逆转的破坏[2]，减少农药使用[3]，利于精准农业的发展。与传统图像识别技术[4-5]相比，将深度学习网络[6-10]运用在农作物病害检测准确性更好，但存储计算开销巨大，使其在低功耗领域的应用严重受限。如何解决深度学习网络部署时移动设备的计算资源紧张[11-14]的技术瓶颈？主要采取将深度学习模型部署在服务器端，返回服务器计算结果给移动设备[15]和精简模型，减少深度学习网络参数量[11]两种方法。后者不依赖网络环境，实时处理效果较好，但准确度相较前者有所降低。为保证深度学习模型能正常运行在移动端，且准确度不大幅丢失，研究人员研究了专门用于移动端设备的轻量级神经网络[16-19]。本研究根据需要对比了多种轻量级网络[16-19]在移动端识别农作物病害的表现。

1 轻量级深度学习算法简介

1.1 ShuffleNet V1和V2网络

ShuffleNet V1[19]是基于逐点组卷积和通道混合构建的。图1 给出了ShuffleNet V1 单元的可视化表示，每个单元都是由Group Convolution(GConv)、Channel Shuffle和Shuffle Net单元3个基本操作[19]。

图1 ShuffleNet V1单元示意图Figure 1 ShuffleNet V1 unit

与AlexNet 网络、ResNet 网络等的其他单元相比，ShuffleNet V1 单元通常具有比较少的计算量，如：ShuffleNet V1 0.5x 仅用40MFLOPs 的计算复杂度，就达到了AlexNet 720MFLOPs的性能[19]。……