文章摘要:针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多，计算量大且复杂的问题，结合植物叶片病害特征，提出了一种基于轻量级残差网络（Scale-Down ResNet）的植物叶片病害识别方法。网络基于Residual Network（ResNet），通过缩减网络卷积核数目和轻量级残差模块（SD-BLOCK），在大幅减少网络参数、降低计算复杂度的同时保持了低识别错误率，然后加Squeeze-and-Excitation模块进一步降低识别错误率。在PlantVillage数据集上实验表明，在网络参数量0.08M，计算量55MFLOPs的情况下，模型识别错误率为0.55%。当参数量达到0.28M，计算量176MFLOPs时，模型识别错误率为0.32%，低于ResNet-18，并且参数约为其1/39，计算量约为其1/10。相比MobileNet V3和ShuffleNet V2，所提网络模型更为轻量，识别错误率更低。同时网络在自建苹果叶片病害数据集上获得了1.52%的低识别错误率。

文章关键词:

项目基金: