基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用

张风伟 朱成杰 朱洪波

张风伟，朱成杰，朱洪波. 基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用［J］. 江苏农业科学，2024，52（7）：205-213.

doi：10.15889/j.issn.1002-1302.2024.07.028

（安徽理工大学电气与信息工程学院，安徽淮南 232001）

摘要：准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义，为实现在移动设备实时对苹果叶片进行病害识别，提高苹果的产量，减少种植者的损失。首先收集了黑星病、斑点落叶病、锈病、白粉病、混合病、褐斑病等6种苹果叶部病害和健康叶片的图像，并使用Retinex算法对图像进行数据增强，以提高数据集质量，然后将数据集按照8 ∶[KG-*3]1 ∶[KG-*3]1的比例划分为训练集、验证集和测试集；其次对MobileNet v3網络模型进行改进优化调整，在精简网络结构的同时减少冗余参数，并在非线性激活层后加入批归一化层，以提高网络的特征提取能力；同时，为了提升在低精度移动设备上的准确性和模型运行效率，将全连接层中的激活函数替换为ReLU6函数；最后，在模型训练时使用动量随机梯度下降优化器来进行模型权重系数的寻优，以减少训练时间和达到更高的分类准确率。试验结果表明，改进后的MobileNet v3-A3网络对苹果叶片病害图像的识别准确率为96.48%，模型权重为2.98 MB，识别速率为8.82 ms/幅图片，与其他同量级卷积神经网络相比识别精度更高、模型更小、识别速度更快。本研究使用Android Studio将权重模型封装到安卓软件中，实现了移动设备对苹果叶片病害的准确快速识别。

关键词：苹果；叶部病害；图像识别；MobileNet v3；Android

中图分类号：TP391.41  文献标志码：A  文章编号：1002-1302（2024）07-0205-09

苹果具有极其丰富的营养成分，含有多种维生素、矿物质以及微量元素。随着我国苹果行业的快速发展，苹果病害已经成为日益严重的问题［1］。常见的苹果病害包括锈病、黑星病、斑点落叶病和白粉病等，而正确识别和有效防治这些病害对于提高苹果产量和质量至关重要，是影响我国苹果产业发展的关键因素［2］。苹果病害的发生范围极其广泛，从果实、叶片到根、茎都可能发生病害，其中叶片部位病害的发生频率最高，而且特征明显，容易被采集和获取，因此成为诊断苹果植株健康的主要依据。然而，传统的病害识别方法仍然存在着灵活性、可靠性和时效性上的不足，无法满足对病害的快速诊断需求［3-4］。通过计算机视觉技术，可以从植物叶片的形态结构、色彩纹理等信息中提取出有价值的特征，从而实现多维度、多参数数据的可视化，使人工智能成为一种有效的疾病诊断手段，可以更快更准确地发现病症。

随着深度学习领域研究的不断加深，卷积神经网络（CNN）被广泛运用在计算机视觉处理上［5］，成为植物叶片病害识别的不二选择。刘阳等使用PlantVillage公开的数据集加以试验，并使用改进的SqueezeNet模型运用迁移学习和梯度下降法加以训练，成功实现了对多类叶片病害的识别［6］。黄英来等将ResNet-50模型中的ReLU激活函数替换为LeakyReLU函数，提出了一种改进的深度残差网络模型对玉米叶片病害进行识别［7］。李鑫然等通过特征金字塔网络整合了具有细节信息的浅层特征和具有语义信息的深层次特征，提出了改进的Faster_RCNN模型，提炼出苹果叶片病害的有效特征［8］。刘洋等基于MobileNet与Inception v3提出2种轻量级卷积神经网络作物病害分类模型［9］。杨森等以Xception网络模型为基础的马铃薯外部缺陷改进无损分级方法［10］。以上研究都证明了卷积神经网络运用在植物叶片检测方面的可行性，其中不乏使用轻量化模型取得较好分类结果的案例，并呈现出了模型结构小型化的趋势。通常情况下，拥有更多层数的CNN性能会更加优秀，但也带来了更大的内存需求和计算负荷量，如何解决这一问题，成为CNN在智能手机等嵌入式设备上大规模应用的关键点。

本研究以MobileNet v3网络为基础网络，通过减少卷积层、通道数量、调整卷积核大小等方法精简网络结构，结合批归一化和替换激活函数等方法，实现基于手机图像的苹果病害叶片分类，提高网络对病害叶片的识别能力和在移动端运行的性能。经过对MobileNet v3的系统性改进，模型的体积进一步缩小，计算速率也更快，因此，本研究将改进后的MobileNet v3-A3网络模型进行格式转换，利用Android Studio软件将其移植到移动端，开发出了一款苹果叶片病害识别手机应用程序。

1 材料与方法

1.1 试验图像数据及预处理

本研究以飞桨AI Studio网站上开源的Plant-Pathology数据集为基础，通过对数据集中的图片进行逐一校对筛选，选出4 826张黑星病、4 624张健康叶片、3 181张斑点落叶病、1 860张锈病、1 184张白粉病、混合病1 602张、褐斑病686张等7个类别的苹果叶片图片，共17 963张。图像格式为.jpg，并将图片分辨率统一为1 000像素×668像素，以减少模型训练时间。Plant-Pathology数据集中各类叶片数量为686～4 826张，直接采用这样的数据会造成样本分级不均的严重问题，会对训练模型的准确率造成不良影响。通过采用多种数据增广方法，对样本量较少的类别原始数据进行处理，可以显著提升训练模型的泛化能力，进而大大提高其鲁棒性［11］。

Retinex图像增强算法可以抑制图像中不均匀的光照，并能进行亮度增强、细节保护和图像去噪。本研究采用Retinex图像增强算法对原始图像数据集中、样本量少的类别进行图像增强处理，使用多尺度视网膜算法 （MSR）增强锈病、白粉病和混合病图片，使用单尺度视网膜算法（SSR）、多尺度视网膜算法和色彩恢复的多尺度视网膜增强算法（MSRCP）等增强褐斑病图片，部分增强后的样本示例如图1 所示。黑星病、健康叶片和斑点落叶病图片数据样本充足，且识别结果较好，因此未进行数据增强。试验叶片样本的数量在数据增强后增加到23 696张，按照8 ∶1 ∶1的比例划分训练集、验证集和测试集，扩充后的叶片病虫害种类和数目如表1所示。

1.2 MobileNet v3 网络模型

伴随AlexNet、VGGNet、GoogleNet和ResNet等卷积神经网络的开发，网络性能和稳定性获得了显著提升，但网络层数也在不断增加，带来了运行效率上的问题［12-16］。轻量化模型采用更高效的计算方式，拥有的参数较少，解决了内存占用和计算速度的问题，使CNN真正走出了实验室。MobileNet v3是谷歌提出的一种轻量化卷积神经网络［17］，其基本网络单元如图2所示。它延用了MobileNet v2模型中的倒置残差构造，即先升维，采用深度可分解卷积，然后再降维，这样可以降低网络参数，提高运行速度［18］。模型中还引入SE架构轻量级的注意力机制，在训练过程中能有效地提升有用特征的权重，同时抑制无用特征的权重［19］。

本研究旨在改进MobileNet v3模型，以提高其识别精度和减小模型尺寸，使其能够更好地应用于移动终端，以实现将苹果叶片病害识别模型应用于移动终端的任务。为此，本研究对表2中MobileNet v3-[JP]large网络模型的结构进行了调整优化，以实现在大样本数据集上快速训练和模型部署。

深度可分离卷积是MobileNet v3模型的核心单元，它可以将普通卷积分解为深度卷积和逐点卷积。根据图3可对卷积的工作过程及计算量进行深度可分离分析。在图3-a中，深度卷积先对输入的特征图进行分解，得到M个通道的特征图，而后，每个特征通道会分别被1×1的卷积核进行卷积，经卷积后的M个特征会被合并，输出计算深度卷积为Dk×Dk×M×DF×DF的结果；逐点卷积运算与常规卷积运算比较相似，即对深度卷积输出的特征图使用1×1×M的卷积核在深度方向上进行加权组合，所以从图3-b可以看出，逐点卷积的计算量是M×DF×DF×N。与传统的卷积计算量相比深度可分离卷积的计算量为

Dk·Dk·M·DF·DF+M·N·DF·DFDF·DF·M·Dk·Dk·N=1N+1D2k。（1）

通过对普通卷积和深度可分离卷积的计算量对比，可以看出，轻量化卷积网络MobileNet v3在使用了这种卷积以后，网络层的计算量大大下降了。

1.3 模型改进设计

由于本研究需要识别的叶片类型为7类，因此，首先将最后一个卷积层的输出通道数由1 000修改为7。一般来说，较深的网络系统具备更强的非线性表达能力，可以更准确地捕捉复杂的特征，但是如果网络深度过深，就会导致梯度不稳、网络退化等问题。为选择合适的模型深度，首先将超参数reduce_divider从1调整为4，超参数reduce_divider会影响bneck13的输出通道数和bneck14、15的输入、输出通道以及bneck内倒残差结构升维后的通道数，其表现公式为

finalchannels=channels/reduce_divider。（2）

式中：finalchannels为最终通道数，channels为原始通道數。经调整后bneck13的输出通道由160缩减为40，bneck14、15的输入通道和输出通道由160缩减为40，倒残差结构升维后的通道数由960缩减为240。其次，移除bneck3、6、8～10层模块，以压缩网络深度，避免可能出现的梯度问题，并将改动后的模型命名为MobilenNet v3-A1。改进后的网络结构如图4所示。

通过合理配置图像输入分辨率、网络深度和宽度3个参数，网络性能可以得到有效的改善。网络的[CM（21]宽度大，深度浅，要想学到更深层次的特征是非常困难的。因此，为在捕捉更多的特征同时，减少宽度特征提取过程中的性能浪费，将超参数宽度系数α从默认值1调整至0.8。对MobileNet v3网络从深度、宽度和通道数等方面进行精简优化，使得网络运行时计算的数据量变少，降低了训练负担，提升了运行效率，使得网络部署在移动端更加方便。

MobileNet v3网络模型利用SE通道注意力模块作为网络的全连接层，可以将学习到的通道注意力信息与输入特征图相结合，最终得到具有通道注意力的特征图［19］。该注意力机制模块中的第一个全连接层使用ReLU作为激活函数，ReLU激活函数将输入的负值置为0，而其余的值不变，其公式为

ReLU［x］=max（0，x）。（3）

ReLU激活函数在特征拟合上的表现很不错，但是这个激活函数输出范围为0～+∞，当激活值很大时，在低精度移动设备上运行会带来精确度的损耗。

为解决移动端精度损失问题，本研究选择ReLU6激活函数替换原网络SE通道模块中的ReLU函数，ReLU6激活函数在ReLU激活函数的基础上将输出最大值限制为6，公式为

ReLU6［x］= min［6，max（0，x）］。（4）

该激活函数将激活范围限制在0～6之间，可以很好地解决低精度移动嵌入式设备计算能力不足带来的精度下降和运行耗时长的问题。经试验发现，将激活函数替换为ReLU6后，带来的训练准确率下降微乎其微，可忽略不计，并将改动后的模型命名为MobilenNet v3-A2。

批归一化可以保证每层网络的输入和输出数据分布不会产生较大的变化，从而避免了内部协变量发生偏移的现象，避免了样本数据分布不均带来的模型预测更倾向大量样本类别的问题［20］。此外，批归一化还能够使深度神经网络的训练更加顺畅，对初始值的敏感性降低，从而提高了训练效率，并且能够通过较大的学习率来加速收敛。在先前改进的基础上，本研究对神经网络中非线性激活函数的输出信息再一次批归一化处理，以平衡中间层的数据分布，减少输出层信息对下一级的负面影响，从而提高网络系统的性能和准确性。通过对样本的重新选择，可以有效适应不同的数据集，解决数据分布不均带来的小数量样本识别率低的问题，同时也大大提升了原有网络结构的泛化能力，将改动后的模型命名为MobilenNet v3-A3。结合批归一化改进后的BN结构如图5所示。

2 结果与分析

2.1 试验平台和试验参数设置

在Windows11 64位系统上，使用PyTorch作为深度学习框架，硬件环境为计算机内存16 GB，搭载Intel CoreTM i5-1135G7 @ 2.40GHz数据处理器，GPU为NVIDIA GeForce MX450。软件环境：PyTorch 1.10.1，cuDNN V8.2，Python 3.8，CUDA Tookit 11.2。

2.2 模型参数对改进MobileNet v3网络模型的影响分析验平台和试验参数设置

过大或过小的学习率都会对训练准确率曲线的收敛造成影响，过小的学习率会导致收敛速度降低，增加训练时间，而过大的学习率可能会导致曲线无法收敛，使模型的训练无法找到最优解。因此，本研究首先对随机梯度下降优化器（SGD）、自适应矩估计优化器（Adam）、指数加权平均梯度下降优化器（RMSprop）和动量随机梯度下降优化器（Momentum SGD） 4种常用的优化器进行试验对比，以选择合适的优化器，提高模型的训练效率。将4种优化器的学习率设置为0.01和0.001，来研究MobileNet v3网络在2个学习率下2种优化器的训练表现，训练准确率变化趋势如图6所示。由图6可知，经过100轮迭代训练后，2种优化器的训练准确率曲线都趋于收敛。其中，学习率为0.01时的Momentum SGD优化器曲线表现最好，训练准确率始终高于其他7条曲线。由表3可知，采用0.01学习率时的Momentum SGD优化器比0.01学习率的SGD优化器准确率高出3.29百分点，比0.001学习率的Adam优化器准确率高出0.85百分点，比0.001学习率的RMSprop优化器准确率高出2.94百分点。因此，本研究选用0.01学习率、动量设置为0.9的Momentum SGD优化器作为后续试验的优化器，训练轮数统一设置为200轮，批次样本设置为16。

2.3 数据增强对模型分类能力的影响

本研究对锈病、白粉病、混合病和褐斑病4类样本图片进行了数据增强，其他类别样本数量充足未进行增强，这4类病害样本增强前后的识别精确率如表4所示。以MobileNet v3网络数据增强前后精确率为例，在使用Retinex图像增强算法的MSR方法后，锈病识别精确率由93.6%增长到95.7%，白粉病识别精确率由95.1%增长到96.8%，混合病识别精确率由81.7%增长到83.8%，在使用Retinex图像增强算法的SSR、MSR和MSRCP这3种方法后，褐斑病识别精确率由89.6%增长到93.2%，是识别准确率提高幅度最大的类别。以上结果表明，通过使用Retinex图像增强算法处理原始数据，在提高了数据多样性的同时，网络模型的识别精确率也得到了一定提升。

2.4 改进MobileNet v3网络模型逐步改进性能对比

利用7种苹果叶片病害图像数据集，经过数据增强，在200轮迭代后，模型逐步改进的性能参数如表5所示，MobileNet v3-A1模型與MobileNet v3模型相比，准确率有1.09百分点的提升，权重下降了11.29 MB，说明在精简网络结构的同时对网络深度进行降低，不仅可以减小模型计算量，还能在一定程度上提高准确率。

MobileNet v3-A2模型与MobileNet v3-A1模型相比，准确率下降0.37百分点，权重下降了2.33 MB，说明收窄模型的宽度并替换SE通道注意力机制中的ReLU6激活函数，在降低计算量的同时也会带来一定的准确率下降。MobileNet v3-A3模型较MobileNet v3-A2模型准确率提升了1.43百分点，权重增大0.4 MB，说明结合批归一化对BN进行改进，在提高准确率的同时也带来了计算量的增加。

本研究改进的MobileNet v3-A3模型训练准确率高达96.48%。模型改进前后的准确率和损失函数变化分别如图7-a和图7-b所示。

从图7可以看出，改进后的模型训练准确率曲线在大约120次迭代后已经基本收敛，而且损失函数的波动变化较原来的网络要小一些，收敛的速度也要快一些。从准确率曲线来看，改进后的模型，准确率的提升速度更快，曲线波动也更小，训练准确率始终高于原网络，改进效果较为明显。

在对MobileNet v3、MobileNet v3-A3、ShuffleNet v2、EfficientNet-B0、RegNet、MobileViT、ConvNeXt、ResNet-50和DenseNet-121等网络模型进行200次迭代训练后，得到了表6所示的试验结果。

改进后的MobileNet v3模型，参数量是0.76 M，约为原模型的1/5，模型大小仅有2.98 MB，[JP3]约是原模型的1/5，运算速度减少到0.092×109次/s，准确率达到了96.48%，较原模型高出2.15百分点。从表6可以看出，与其他图像分类网络相比，改进后的MobileNet v3-A3模型在参数量、训练时间和模型大小方面有着很大的优势，准确率及其他各项指标都有一定的提高。其他网络模型中，准确率最高的是EfficientNet-BO网络，准确率为94.75%，但与改进后的MobileNet v3-A3网络相比，准确率低1.73百分点，训练模型多12.62 MB，参数量多4.52×10 M，训练时间更是多出680 min。

2.5 改进MobileNet v3模型病害种类识别情况分析[HT]

在图像分类问题中，判断模型性能优劣，仅靠识别准确率是不够的，当数据集的数据分布不均衡时，会出现总体准确率很高，但对少数样本的类别识别错误的情况。因此，本研究分析了各网络模型对苹果叶片不同病害的分类精确率、召回率和F1得分，具体情况如表7所示。从表7可以看出，改进后的MobileNet-A3网络对健康叶片的识别效果最好，F1得分接近99%，其次是锈病、斑点落叶病、黑星病，F1得分均在96%以上，对混合病和褐斑病的识别效果较差，F1得分在94%以下。

改进后的MobileNet v3-A3网络模型混淆矩阵如图8-a所示，可以看出，使用改进后的MobileNet v3-A3网络模型对2 370张叶片病害图片测试集进行测试，仅有84张病害图像分类错误，错分类别数量最大的是混合病，共错分23张，其次是黑星病错分19张，其他类别的病害图片分类错误较少，总体分类效果优异。本研究通过进一步分析不同叶片病害数据集的错分情况可知，叶片病害部位的颜色和形状特征是其分类过程中的重要依据，当样本叶片中含有多种病害时，某一病害特征表现不明显时易发生分类错误。

2.6 Android手机端识别软件开发

本研究Windows操作系统下的Android软件开发环境包含JDK、Android Studio和AndroidSDK共3个部分。JDK包含JAVA运行环境（JVM+JAVA系统库）和JAVA工具，是整个JAVA开发的核心；Android Studio是安卓应用程序开发IDE，可以帮助开发者进行安卓程序的编写；AndroidSDK是Google公司向开发者免费提供Android软件开发工具包，可以帮助开发者进行安卓程序的封装［21-24］。

为了更准确快速地检测苹果叶片的不同病害，本次研发使用PyTorch Mobile框架，将经过训练的改进MobileNet v3-A3训练模式配备到安卓设备上。首先，在电脑端将训练模式转换成TorchScript形式的.pt格式文件。然后，在Android Studio软件环境中开发苹果叶片病害分类手机应用APP，APP主要包括前端界面和后端处理程序。在.xml文件上进行前端显示界面的布局设计， 设置了3个标签按钮，分别是本地图库、拍照识别、实时检测。点击拍照识别按钮，软件会调用手机摄像头，可以对苹果叶片进行拍摄，点击本地图库按钮可在本地内存选择照片。通过拍照获取的图片和本地图库的图片信息将被传输到APP的主界面显示，后端用Java语言编写的处理程序对图像进行处理后，对这些图片进行压缩，并使用.pt格式的TorchScript模型进行识别，最终将识别结果呈现在主界面上，以便用户更加直观地查看病害信息。点击实时检测按钮，会出现新的相机界面，在这个界面中，程序后端会实时调用摄像头获取图片，并将显示在屏幕中的图片信息实时调用TorchScript模型进行判断识别， 识别的结果可以实时显示在界面上方。图9-a显示的是使用本地图库图片识别功能后，对1张苹果锈病的准确识别图，图9-b则是对苹果叶片实时检测的准确识别图。

在将网络的训练模型迁移部署到移动端制成苹果叶片病害识别APP后，对网络的软件内存占用和识别速度进行了测试，改进后的MobileNet v3-A3网络APP，仅有9.7 MB大小，识别1张图片的时间仅需8.82 ms。

3 结论

本研究使用了包含苹果健康、锈病、黑星病、斑点落叶病、褐斑病、白粉病和混合病叶片共7种苹果叶片公开图像数据集，并使用Retinex算法进行图像增强，为使模型更好地运行在移动端对MobileNet v3进行了针对性的改进，通过加入批归一化层，来提高网络的特征提取能力，同时，将全连接层中的激活函数替换为ReLU6函数，提升在低精度移动设备上的准确性和效率。在经过对模型的改进后，模型对各类苹果叶片的分类准确率达到了96.48%，分类效果较好。使用改进后的MobileNet v3-A3网络进行模型训练，将识别准确率最高的模型转换成TorchScript格式模型后，将模型封装制成APP后移植部署到移动端设备， 实现了使用移动端软件对苹果叶片病害的快速准确识别。

参考文献：

［1］胡清玉，胡同乐，王亚南，等. 中国苹果病害发生与分布现状调查［J］. 植物保护，2016，42（1）：175-179.

［2］Sun H N，Xu H W，Liu B，et al. MEAN-SSD：a novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks［J］. Computers and Electronics in Agriculture，2021，189：106379.

［3］王云露，吴杰芳，兰 鹏，等. 基于改进Faster R-CNN的苹果叶部病害识别方法［J］. 林业工程学报，2022，7（1）：153-159.

［4］Singh V，Misra A K. Detection of plant leaf diseases using image segmentation and soft computing techniques［J］. Information Processing in Agriculture，2017，4（1）：41-49.

［5］Zeiler M D，Fergus R. Visualizing and understanding convolutional networks［C］//European Conference on Computer Vision.Cham：Springer International Publishing，2014：818-833.

［6］劉 阳，高国琴. 采用改进的SqueezeNet模型识别多类叶片病害［J］. 农业工程学报，2021，37（2）：187-195.

［7］黄英来，艾 昕. 改进残差网络在玉米叶片病害图像的分类研究［J］. 计算机工程与应用，2021，57（23）：178-184.

［8］李鑫然，李书琴，刘 斌. 基于改进Faster R＿CNN的苹果叶片病害检测模型［J］. 计算机工程，2021，47（11）：298-304.

［9］刘 洋，冯 全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35（17）：194-204.

［10］杨 森，冯 全，张建华，等. 基于轻量卷积网络的马铃薯外部缺陷无损分级［J］. 食品科学，2021，42（10）：284-289.

［11］鲍文霞，吴 刚，胡根生，等. 基于改进卷积神经网络的苹果叶部病害识别［J］. 安徽大学学报（自然科学版），2021，45（1）：53-59.

［12］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60（6）：84-90.

［13］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. ArXiv e-Prints，2014：arXiv：1409.1556.

［14］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］ //2015 IEEE Conference on Computer Vision and Pattern Recognition.June 7-12，2015，Boston，MA.IEEE，2015：1-9.

［15］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul，Korea （South）.IEEE，2019：1314-1324.

［16］熊梦园，詹 炜，桂连友，等. 基于ResNet模型的玉米叶片病害检测与识别［J］. 江苏农业科学，2023，51（8）：164-170.

［17］Sandler M，Howard A，Zhu M L，et al. MobileNet v2：inverted residuals and linear bottlenecks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：4510-4520.

［18］刘梦伦，赵希梅，魏 宾. 基于MobileNet v2-ELM的肝硬化识别［J］. 青岛大学学报（自然科学版），2019，32（4）：17-21.

［19］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：7132-7141. [HJ1.6mm]

［20］Ioffe S，Szegedy C. Batch normalization：accelerating deep network training by reducing internal covariate shift［C］//Proceedings of the 32nd International Conference on Machine Learning. New York：ICML Press，2015：448-456.

［21］Prasad S，Peddoju S K，Ghosh D. Multi-resolution mobile vision system for plant leaf disease diagnosis［J］. Signal，Image and Video Processing，2016，10（2）：379-388.

［22］Li D F，Wang Z G，Xue Y B. Fine-grained Android Malware Detection based on Deep Learning［C］//2018 IEEE Conference on Communications and Network Security （CNS）.Beijing，China.IEEE，2018：1-2.

［23］戴建國，赖军臣. 基于图像规则与Android手机的棉花病虫害诊断系统［J］. 农业机械学报，2015，46（1）：35-44.

［24］马艳娜，唐 华，柯红军. 基于移动终端的遥感监测数据采集系统设计与实现［J］. 测绘与空间地理信息，2017，40（4）：120-122.  [ZK）][HT][HJ][FL）]

基金项目：国家自然科学基金（编号：62003001）。

作者简介：张风伟（1998—），男，山东潍坊人，硕士研究生，主要从事图像处理研究。E-mail：1014678682@qq.com。

通信作者：朱成杰，博士，副教授，硕士生导师，主要从事嵌入式系统的研究与应用、图像处理与分类算法的研究。E-mail：ahhbzcj@126.com。