IoT-RiceMobileNet: An improved lightweight MobileNetV2 Model for real-time multi-class rice disease detection using IoT
Khawja Imran Masud · Md Yasin Zihad · Mehedi Hasan Shuvo 等 6 人
提出轻量级IoT-RiceMobileNet模型，实现水稻病害实时多类检测。
改进MobileNetV2，融合自采与Kaggle共7092张图像，IoT端部署
测试准确率99.19%，推理速度85.17 FPS，适合边缘设备实时检测。
可探索多作物病害泛化、田间复杂光照下轻量模型鲁棒性及边缘联邦学习。
提出轻量级MobileNetV2水稻病害检测模型并集成物联网推理框架，实测精度与推理速度俱佳，方法新颖、数据规模可观，对边缘端智慧农业落地有参考价值。
水稻叶片病害（RLD）的早期和实时检测对农民而言是一项重大挑战，尤其是在难以获取先进技术的农村地区。传统的深度学习模型通常需要大量计算资源，使其难以在实际农业环境中常用的移动或边缘设备上部署。尽管ResNet50、VGG16和InceptionV3等模型可以达到较高精度，但其计算成本高昂，可能不太适合在智慧农业系统中实时部署。此外，许多现有研究依赖有限的数据集，这可能限制模型在多样化真实条件下的泛化能力。尽管迁移学习可以提升分类性能，但开发适合实时物联网部署的轻量级模型仍具有挑战性。为解决这些局限，我们通过整合自采集样本和Kaggle样本，构建了一个包含7092张水稻叶片图像的混合数据集，并提出了IoT-RiceMobileNet，这是一种基于MobileNetV2改进的轻量级模型，可有效集成到我们开发的物联网系统中。所提出的模型优于迁移学习和深度学习基线模型，在保持低计算复杂度的同时，实现了99.19%的测试准确率和99.20%的精确率。我们进一步通过在构建的RLD数据集和多源数据集上采用分层5折和10折交叉验证确认了模型稳定性，在构建的RLD数据集上分别达到98.04%和98.13%的平均准确率，在多源数据集上分别达到98.11%和98.58%的平均准确率。此外，该模型紧凑的规模和85.17 FPS的推理速度支持实时部署。最后，该模型被集成到一个支持物联网的移动端、网页端和云端推理框架中，展示了其在智慧农业中可扩展水稻病害检测的实际潜力。