Plant disease classification using lightweight deep learning architectures

检测植物病害的早期病原体是一项具有挑战性的任务，因为病原体密度低，且可见症状细微或缺失。若未能在早期识别，植物病害会迅速进展，从而使其控制难度显著增加。因此，对植物进行实时原位监测对于追踪病害并实现早期干预至关重要。在智慧农业应用范围内，可通过移动设备评估作物健康并维持生产力。本研究比较了轻量级神经网络架构在不同植物病害数据集上的性能，目标针对内存资源受限的设备，如移动设备和嵌入式系统；基于所测得的精度-效率权衡，我们认为这些设备是边缘部署的潜在候选。所评估的架构包括SqueezeNet、MobileViT、EdgeNeXt、GhostNet、EfficientNet和LeViT。实验中使用的植物数据集为Plant Disease、Cassava和Turmeric。每个模型均使用准确率、F1分数、精确率和召回率指标进行评估。在三个数据集中，使用GhostNet架构在Turmeric数据集上取得了最佳性能，其得分分别为0.9978（准确率）、0.9976（F1分数）、0.9976（精确率）和0.9976（召回率）。