基于改進(jìn)MobileNet輕量級(jí)網(wǎng)絡(luò)的水稻病害識(shí)別

摘要：目的：針對(duì)傳統(tǒng)MobileNet-v2模型水稻葉面病害識(shí)別過(guò)程中出現(xiàn)的準(zhǔn)確率低、運(yùn)行速度慢、特征提取難等問(wèn)題，提出一種基于改進(jìn)MobileNet-v2輕量級(jí)網(wǎng)絡(luò)的水稻葉面病害識(shí)別模型。方法：該模型采用增加注意力機(jī)制模塊的結(jié)構(gòu)方法增強(qiáng)圖像的特征提取，然后將預(yù)訓(xùn)練好的權(quán)重參數(shù)遷移到改進(jìn)的模型中，進(jìn)而對(duì)水稻4種葉面病害進(jìn)行識(shí)別研究。結(jié)果：該模型在50個(gè)epoch的訓(xùn)練測(cè)試過(guò)程中，訓(xùn)練速度和過(guò)擬合問(wèn)題得到了較大的改善，最終測(cè)試識(shí)別準(zhǔn)確率較傳統(tǒng)MobileNet-v2模型準(zhǔn)確率提高了7.97%。結(jié)論：該模型在水稻葉面病害識(shí)別中準(zhǔn)確率較高，識(shí)別速度較快，為水稻葉面病害的識(shí)別與研究提供了參考和借鑒意義。

關(guān)鍵詞：圖像識(shí)別；水稻病害；遷移學(xué)習(xí)；MobileNet-v2

中圖分類(lèi)號(hào)：TP391" " " 文獻(xiàn)標(biāo)志碼：A" " " 文章編號(hào)：1008-4657（2024）04-0026-07

0" " " " 引言

水稻是中國(guó)農(nóng)業(yè)中的主要糧食作物，它的總產(chǎn)量和平均產(chǎn)量均位居世界第一，是全球三大谷物之一。中國(guó)擁有悠久的種植水稻的文化，據(jù)考古發(fā)現(xiàn)，7 000年前，河姆渡人就著手馴化野生稻來(lái)種植水稻，這一文化在中國(guó)發(fā)展史上有著深厚的根基。全球超過(guò)38億人口以稻米為主食，而中國(guó)更是以稻米為主食，占比高達(dá)近60%，而且這一比例還在不斷上升。水稻病害直接影響著水稻的產(chǎn)量和質(zhì)量，因此在農(nóng)業(yè)生產(chǎn)活動(dòng)中，能夠快速并且準(zhǔn)確地識(shí)別水稻各類(lèi)病害從而精準(zhǔn)治理尤為關(guān)鍵。

近年來(lái)，基于計(jì)算機(jī)視覺(jué)的深度學(xué)習(xí)逐漸成熟并被廣泛推廣應(yīng)用，在自然語(yǔ)言處理、圖像識(shí)別、目標(biāo)檢測(cè)、故障診斷等多領(lǐng)域都取得了較好的成果。自20世紀(jì)80年代末開(kāi)始，許多學(xué)者和專(zhuān)家都致力于研究計(jì)算機(jī)視覺(jué)技術(shù)來(lái)識(shí)別農(nóng)作物病蟲(chóng)害，其中陳峰等的成果尤為突出，識(shí)別率較高［ 1 ］。2012年，Krizhevsky" A等［ 2 ］提出了一種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)（Convolutional" "Neural" "Networks，CNN）模型-AlexNet，最終在ILSVRC（ImageNet" Large" Scale" Visual" Recognition" Challenge）比賽中，將top5的測(cè)試錯(cuò)誤率下降到15.3%。2014年，Simonyan K等［ 3 ］提出VGG系列模型并在當(dāng)年的Image" Net" Challenge上以top5錯(cuò)誤率7.32%取得分類(lèi)任務(wù)第二名，該VGG系列模型中采用了3 × 3的卷積核與2 × 2的池化核，這樣的設(shè)計(jì)不僅會(huì)讓卷積核感受野保持不變，而且使得模型的參數(shù)減少。在國(guó)內(nèi)，王軍英［ 4 ］建立BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)葡萄病的發(fā)生位置、類(lèi)型、色澤以及主要癥狀進(jìn)行了評(píng)估，獲得較為滿(mǎn)意的識(shí)別結(jié)果。劉成［ 5 ］采用傳統(tǒng)圖像特征提取和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合方法，對(duì)水稻稻曲病等6種葉面病害進(jìn)行分類(lèi)識(shí)別，最終取得了較高的分類(lèi)識(shí)別準(zhǔn)確度。張建華等［ 6 ］構(gòu)建了基于改進(jìn)VGG-16卷積神經(jīng)網(wǎng)絡(luò)病害識(shí)別模型，通過(guò)遷移學(xué)習(xí)共享預(yù)訓(xùn)練模型卷積層和池化層權(quán)值參數(shù)，構(gòu)建出新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，平均識(shí)別準(zhǔn)確率達(dá)到89.51%。孫俊等［ 7 ］采用改進(jìn)的MobileNet-v2網(wǎng)絡(luò)結(jié)構(gòu)模型對(duì)田間農(nóng)作物葉片病害進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果表明，較改進(jìn)前提高了2.91個(gè)百分點(diǎn)。

綜上所述，國(guó)內(nèi)外研究者已經(jīng)將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用到農(nóng)作物病害分類(lèi)識(shí)別中，且取得了較好的成果，但仍然缺乏能夠較好地識(shí)別復(fù)雜背景下準(zhǔn)確率較高的水稻病害識(shí)別模型。受上述研究啟發(fā)，本文以水稻的白葉枯病、稻瘟病、胡麻斑病和東格魯病等葉面病害圖像為基礎(chǔ)，研究的重點(diǎn)是如何將深度學(xué)習(xí)與圖像識(shí)別深度融合從而提高卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的準(zhǔn)確率，提出增加注意力機(jī)制和遷移學(xué)習(xí)相結(jié)合，以期達(dá)到識(shí)別速度更快，準(zhǔn)確率更高的目標(biāo)，為研究水稻識(shí)別系統(tǒng)提供實(shí)驗(yàn)依據(jù)，同時(shí)提升了農(nóng)業(yè)生產(chǎn)信息化的效率，有助于智能農(nóng)產(chǎn)品的研究開(kāi)發(fā)。

1" " " "材料與方法

1.1" " " "試驗(yàn)平臺(tái)

本研究的試驗(yàn)為Windows64位操作系統(tǒng)，內(nèi)存16GB，搭載11th" Gen" Intel（R） Core（TM） i5-1155G7 @ 2.50GHz 2.50 GHz處理器，試驗(yàn)基于python編程語(yǔ)言，采用TensorFlow深度學(xué)習(xí)開(kāi)發(fā)框架進(jìn)行模型的搭建及訓(xùn)練。

1.2" " " " 試驗(yàn)數(shù)據(jù)

本研究的研究對(duì)象為水稻白葉枯病、稻瘟病、胡麻斑病和東格魯病4種葉面病害，并基于病害圖像特征，對(duì)其進(jìn)行準(zhǔn)確的分類(lèi)識(shí)別。水稻葉面病害樣本如圖1所示。

通過(guò)對(duì)水稻葉面病害圖像進(jìn)行預(yù)處理，包括圖片旋轉(zhuǎn)、鏡像翻轉(zhuǎn)，隨機(jī)縮放、隨機(jī)平移、隨機(jī)裁剪、等比例縮放等數(shù)據(jù)增強(qiáng)操作，得到6 682張水稻病害圖像數(shù)據(jù)集，其中訓(xùn)練集5 335張，測(cè)試集1 347張，并將樣本數(shù)據(jù)集進(jìn)行編號(hào)分類(lèi)，制作標(biāo)簽，標(biāo)簽0，1，2，3分別代表白葉枯病，稻瘟病，胡麻斑病，東格魯病。最后將圖片尺寸統(tǒng)一化，以JPEG格式導(dǎo)入計(jì)算機(jī)，構(gòu)建一個(gè)完整的水稻病害數(shù)據(jù)集，以便更好地分析和研究水稻葉面病害。數(shù)據(jù)集概述如表1所示。

卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)具備深入學(xué)習(xí)圖像特征的前饋神經(jīng)網(wǎng)絡(luò)［ 8-9 ］，它能夠從大量輸入數(shù)據(jù)信息中自動(dòng)提取出更高層次的抽象特征［ 10 ］，大大簡(jiǎn)化了圖像處理技術(shù)識(shí)別作物病害的過(guò)程，并且現(xiàn)已被應(yīng)用于多方面［ 11 ］，如人臉識(shí)別［ 12-13 ］、語(yǔ)音識(shí)別［ 14 ］和行人檢測(cè)［ 15 ］等，為深度學(xué)習(xí)技術(shù)作出了重要貢獻(xiàn)。卷積神經(jīng)網(wǎng)絡(luò)兼具局部連接和權(quán)值共享兩大特點(diǎn)，局部連接能夠有效地提升圖形的連接性，從而更好地捕捉每個(gè)部分的相關(guān)信息，而權(quán)值共享則能夠大大簡(jiǎn)化操作過(guò)程，減少訓(xùn)練計(jì)算的復(fù)雜度。

卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層和全連結(jié)層三個(gè)部分構(gòu)成，它們共同形成了網(wǎng)絡(luò)系統(tǒng)的基本架構(gòu)。

卷積層作為卷積神經(jīng)網(wǎng)絡(luò)中最為核心的結(jié)構(gòu)部分，能實(shí)現(xiàn)對(duì)輸入圖像的特征提取，運(yùn)算公式如式（1）所示。

y = f（y*k + n）（1）

式中：f（ ）（Rctified linear Unit， ReLU）為激活函數(shù)；k代表卷積核的個(gè)數(shù)；y代表卷積層的特征圖；n為常數(shù)項(xiàng)。

池化層也稱(chēng)下采樣層，負(fù)責(zé)降低特征圖像本身的維數(shù)，從而縮短算法訓(xùn)練計(jì)算時(shí)間，通常包括最大池化（max pooling）、平均池化（average pooling）、最小池化（minimum pooling）。本文采用平均池化操作處理方法，運(yùn)算公式如式（2）所示，其操作示意圖如圖3所示。

Z = ei（2）

式中：ei為區(qū)域R內(nèi)每個(gè)神經(jīng)元的激活值。

全連接層是一種用于預(yù)測(cè)結(jié)果的層，它能夠?qū)⒕矸e層學(xué)習(xí)到的抽象特征轉(zhuǎn)換為可分類(lèi)的輸出，并使用Softmax函數(shù)激活每一層，以減少過(guò)擬合的可能性，其表達(dá)式如式（3）所示。

softmax（x） = （3）

ReLU函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)中最為常用的激活函數(shù)，其存在單側(cè)抑制，只有輸入的數(shù)值為正數(shù)時(shí)，其神經(jīng)元才會(huì)被激活，反之則為0；其特點(diǎn)是收斂速度更快，能較好地處理好梯度消失、爆炸等問(wèn)題，是一個(gè)分段函數(shù)，其函數(shù)表達(dá)式如式（4）所示。

f（x） = x（x ＞ 0）0（x ＜ 0）（4）

1.4" " 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一項(xiàng)高效的機(jī)器學(xué)習(xí)方式，它能夠?qū)⒁呀?jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)轉(zhuǎn)移到新的目標(biāo)領(lǐng)域，從而大大減少對(duì)訓(xùn)練樣本及硬件計(jì)算能力的要求，極大地提高圖像數(shù)據(jù)有效分類(lèi)的效率［ 16 ］，從而為解決訓(xùn)練數(shù)據(jù)集容易產(chǎn)生的過(guò)擬合問(wèn)題提供了強(qiáng)有力的幫助。

本研究采用了一個(gè)新的方法，將已經(jīng)訓(xùn)練好的模型當(dāng)作預(yù)訓(xùn)練模型，并結(jié)合模型微調(diào)的學(xué)習(xí)方式，充分利用MobileNet-v2預(yù)訓(xùn)練模型在公開(kāi)數(shù)據(jù)集上學(xué)到的知識(shí)，結(jié)合遷移學(xué)習(xí)方式將其用在水稻葉面病害圖像識(shí)別上，以期望能夠有效地減少訓(xùn)練時(shí)間，進(jìn)一步提高網(wǎng)絡(luò)模型的訓(xùn)練效率，并最終解決水稻葉面病害識(shí)別問(wèn)題。

1.5" " 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)病害模型構(gòu)建

MobileNet-v2通過(guò)采用深度可分離卷積，可以在不影響精度的前提下，大范圍減小參數(shù)量和運(yùn)算量，進(jìn)而提升模型訓(xùn)練運(yùn)算速度。在本研究中，針對(duì)水稻葉面病害圖像特征提取的復(fù)雜性和分類(lèi)的準(zhǔn)確性低等問(wèn)題，基于使用數(shù)據(jù)集訓(xùn)練MobileNet-v2模型來(lái)識(shí)別水稻葉面病害信息，改進(jìn)一種新的網(wǎng)絡(luò)結(jié)構(gòu)模型，初始化卷積核和偏置參數(shù)，并將這些信息輸入到一種新的卷積神經(jīng)網(wǎng)絡(luò)中，如圖4所示。

針對(duì)過(guò)擬合現(xiàn)象的問(wèn)題，采用增加Dropout層，同時(shí)也增加了識(shí)別的準(zhǔn)確率。

針對(duì)數(shù)據(jù)特征提取復(fù)雜性問(wèn)題，增加了注意力機(jī)制模塊，從而提高了圖片特征的提取能力，并且更好地表達(dá)圖片特征信息。

針對(duì)數(shù)據(jù)的分類(lèi)準(zhǔn)確性問(wèn)題，提出增加遷移學(xué)習(xí)的思想，改進(jìn)后訓(xùn)練模型以提高識(shí)別水稻葉面病害的準(zhǔn)確性，經(jīng)過(guò)50次迭代訓(xùn)練，它能夠更準(zhǔn)確地識(shí)別圖像特征。

2" " 實(shí)驗(yàn)結(jié)果與分析

本研究中使用分類(lèi)準(zhǔn)確率來(lái)評(píng)價(jià)實(shí)驗(yàn)方法的好壞［ 17 ］，準(zhǔn)確率計(jì)算公式如式（5）所示。

Acc = m / n（5）

式中：m表示正確分類(lèi)的樣本數(shù)量；n表示測(cè)試圖像的總樣本數(shù)量。

損失率采用交叉熵?fù)p失函數(shù)方法，其可以有效地迭代更新網(wǎng)絡(luò)參數(shù)，使損失函數(shù)進(jìn)一步縮小，最終接近于0，從而訓(xùn)練出更準(zhǔn)確的水稻病害識(shí)別模型。MobileNet-v2水稻病害模型實(shí)驗(yàn)結(jié)果如圖5所示，改進(jìn)后的模型運(yùn)行結(jié)果如圖6所示。

圖5中，epoch初始值設(shè)置為50，網(wǎng)絡(luò)優(yōu)化器采用隨機(jī)梯度下降，起始學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練集準(zhǔn)確率為train accuracy，訓(xùn)練集代價(jià)函數(shù)為train loss，測(cè)試集準(zhǔn)確率為validation accuracy，測(cè)試集代價(jià)函數(shù)為validation loss，這些參數(shù)均被用于優(yōu)化網(wǎng)絡(luò)的性能，以達(dá)到最優(yōu)化的效果。隨著訓(xùn)練次數(shù)的不斷增加，訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率呈上升趨勢(shì)，訓(xùn)練損失率和驗(yàn)證損失率呈下降趨勢(shì)。

在new-mobile模型訓(xùn)練過(guò)程中，圖6的折線(xiàn)圖可以反映出訓(xùn)練階段各個(gè)參數(shù)的收斂和飽和等趨勢(shì)走向，直觀地看出準(zhǔn)確率呈上升趨勢(shì)并逐漸向1靠攏，代價(jià)函數(shù)呈下降趨勢(shì)并逐漸接近于0。通過(guò)采用遷移學(xué)習(xí)方法，我們可以看到代價(jià)函數(shù)收斂速度較快，曲線(xiàn)的變化趨勢(shì)也相對(duì)平緩，當(dāng)訓(xùn)練批次逐漸增加時(shí)，訓(xùn)練效率和準(zhǔn)確率都逐漸趨向于穩(wěn)定，且未出現(xiàn)較大波動(dòng)，這表明該模式具有較強(qiáng)的泛化水平，能夠較好地識(shí)別4種水稻葉面病害種類(lèi)。為了解決過(guò)擬合問(wèn)題，在全連接層中增加Dropout層，從而大大提高了訓(xùn)練的準(zhǔn)確率。為了增強(qiáng)圖片特征提取，加快網(wǎng)絡(luò)訓(xùn)練速度，同時(shí)增加了注意力機(jī)制和使用ReLU激活函數(shù)，為客觀全面地評(píng)價(jià)本文所提出的網(wǎng)絡(luò)模型的性能。

不同網(wǎng)絡(luò)模型對(duì)比如表2所示。

本研究使用new-mobile模型對(duì)水稻葉面病害圖像種類(lèi)識(shí)別研究，模擬訓(xùn)練50次，結(jié)合表2結(jié)果可以看出，基于改進(jìn)MobileNet-v2網(wǎng)絡(luò)模型，采用增加注意力機(jī)制和遷移學(xué)習(xí)相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，相對(duì)于傳統(tǒng)的MobileNet-v2網(wǎng)絡(luò)模型，new-mobile模型獲得較好的評(píng)價(jià)指標(biāo)，模型驗(yàn)證準(zhǔn)確率高達(dá)90.91%，驗(yàn)證損失率低達(dá)0.71%，相對(duì)于傳統(tǒng)MobileNet-v2網(wǎng)絡(luò)模型驗(yàn)證準(zhǔn)確率提升7.97個(gè)百分點(diǎn)，說(shuō)明該模型識(shí)別準(zhǔn)確率較高，實(shí)用性較好，模型切實(shí)有效，適用于水稻葉面的病害識(shí)別。

3" " 結(jié)論

本研究中，針對(duì)水稻葉面病害圖像特征提取復(fù)雜，識(shí)別準(zhǔn)確率低等問(wèn)題，提出了一種基于改進(jìn)MobileNet-v2的水稻病害圖像識(shí)別方法模型。模型訓(xùn)練結(jié)果表明，本文所提出的改進(jìn)模型與傳統(tǒng)的MobileNet-v2網(wǎng)絡(luò)模型相比，在一定范圍內(nèi)，隨著迭代次數(shù)的增加，識(shí)別準(zhǔn)確率越高，損失率越低，能夠較好地識(shí)別水稻常見(jiàn)葉面病害。因此，這種new-mobile模型能夠有效地解決傳統(tǒng)植物病害識(shí)別模型的準(zhǔn)確率低和復(fù)雜環(huán)境源圖像采集等問(wèn)題，從而可以為移動(dòng)端設(shè)備提供有效的技術(shù)支持，為后續(xù)的植物病害研究提供參考價(jià)值。

此外，該研究模型是對(duì)水稻葉面病害進(jìn)行單方面農(nóng)作物進(jìn)行訓(xùn)練和測(cè)試，后期將進(jìn)一步研究數(shù)據(jù)種類(lèi)龐大的數(shù)據(jù)集，以達(dá)到對(duì)更多植物病害識(shí)別，并將其用于移動(dòng)設(shè)備上，便于農(nóng)戶(hù)用于田間實(shí)際植物病害識(shí)別。

參考文獻(xiàn)：

［1］陳峰，谷俊濤，李玉磊，等.基于機(jī)器視覺(jué)和卷積神經(jīng)網(wǎng)絡(luò)的東北寒地玉米害蟲(chóng)識(shí)別方法［J］.江蘇農(nóng)業(yè)科學(xué)，2020，48（18）：237-244.

［2］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Advances in Neural Information Processing Systems，2012，25（2）：1097-1105.

［3］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［Z］. arXiv preprint arXiv，2014： 1409-1556.

［4］王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷系統(tǒng)研究［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2013（8）：30-33.

［5］劉成.基于機(jī)器學(xué)習(xí)的水稻病害識(shí)別算法的研究［D］.合肥：安徽大學(xué)，2018.

［6］張建華，孔繁濤，吳建寨，等.基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別模型［J］.中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，23（11）：161-171.

［7］孫俊，朱偉棟，羅元秋，等.基于改進(jìn)MobileNet-V2的田間農(nóng)作物葉片病害識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（22）：161-169.

［8］Huang Gao，Liu Zhuang，Laurens V D M，et al. Densely connected convolutional networks［C］. The IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2017：2261-2269.

［9］Gu Jiuxiang，Wang Zhenhua，Kuen J，et al. Recent advances in convolutional neural networks［J］. Pattern Recognition，2018， 77：354-377.

［10］Lecun Y，Bengio Y，Hinton G. Deep learning［J］. Nature，2015，521（7553）：436-444.

［11］邱靖，劉繼榮，曹志勇，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識(shí)別研究［J］.云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2019，34（5）：884-888.

［12］邵蔚元，郭躍飛.多任務(wù)學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2016，52（13）：32-37.

［13］王衛(wèi)民，唐洋，張健，等.基于卷積神經(jīng)網(wǎng)絡(luò)特征融合的人臉識(shí)別算法［J］.計(jì)算機(jī)與數(shù)字工程，2020，48（1）：88-92.

［14］王嘉偉.基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究［J］.科學(xué)技術(shù)創(chuàng)新，2019（31）：71-73.

［15］付友，左迅，楊凡，等.基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型的行人檢測(cè)設(shè)計(jì)［J］.信息技術(shù)，2021（5）：34-38.

［16］馮曉，李丹丹，王文君，等.基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的小麥葉部病害圖像識(shí)別［J］.河南農(nóng)業(yè)科學(xué)，2021，50（4）：174-180.

［17］王圣昊.基于卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害分類(lèi)研究［D］.長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2021.

Rice Disease Recognition Based on Improved

MobileNet Lightweight Network

ZHENG Chao， ZHANG Huamin

（College of Mechanical Engineering， Anhui Science and Technology University， Fengyang 233100， China）

Abstract：Objective： To address the problem of the conventional MobileNet-v2 model in the recognition of rice leaf diseases， including its low recognition accuracy， sluggish running speed， and challenging feature extraction， a rice leaf disease recognition model based on improved MobileNet-v2 lightweight network was proposed. Methods： In this model， the method of adding attention mechanism module is used to enhance image feature extraction， and then the weight parameters of pre-trained model were transferred to the improved model to identify the four leaf diseases of rice. Results： The training speed and overfitting issues were significantly reduced throughout the training and testing of the new-mobile model over 50 epochs， and the final test recognition accuracy was 7.3% higher than that of the conventional MobileNet-v2 model. Conclusions： The new mobile model is more accurate and quicker in recognizing rice leaf diseases， which provides a reference and significance for identifying and researching of rice leaf diseases.

Key words：image recognition; rice disease; transfer learning; MobileNet-v2