PyTorch轻量化CNN在茶叶病害识别的应用实践

1. 项目概述：当深度学习遇上传统茶产业

去年帮福建一家茶场做技术咨询时，负责人指着叶片上的褐色斑纹问我："这到底是虫害还是病害？该打什么药？"这个场景让我意识到，茶叶病害识别对非专业人士来说确实是个难题。传统依赖农技员目测诊断的方式，在山区茶园推广效率低下，而误判导致的错误用药又会造成经济损失。这正是我们开发这个茶叶病害识别系统的初衷。

这个基于PyTorch的解决方案，核心是用深度卷积网络（CNN）实现端到端的茶叶病害分类。与学术论文里的模型不同，我们特别注重三点：一是模型要足够轻量以便在普通电脑运行，二是提供图形界面降低使用门槛，三是保持代码模块化方便替换模型架构。实测在自有数据集上，MobileNetV3版本的模型识别准确率达到93.7%，单张图片推理时间控制在200ms以内。

2. 核心设计思路与技术选型

2.1 为什么选择PyTorch框架

相比TensorFlow，PyTorch的动态图特性在研发阶段更利于快速迭代。当茶农反馈"叶枯病和炭疽病容易混淆"时，我们可以立即调整数据增强策略，实时观察模型在验证集上的表现。另一个关键因素是PyTorch的TorchScript功能，它能将训练好的模型导出为独立于Python环境运行的格式，这对后期部署到茶场工控机非常友好。

2.2 卷积网络架构的平衡之道

在模型选型上做过三组对比实验：

• ResNet50：准确率95.2%但参数量23M
• EfficientNet-B0：准确率94.1%参数量5.3M
• MobileNetV3：准确率93.7%参数量2.9M

最终选择MobileNetV3的考量是：在茶园现场，设备往往是5年前的老旧Windows电脑，大模型会导致界面卡顿。通过添加SE注意力模块和调整通道数，我们在速度和精度间取得了平衡。

2.3 数据集的特殊处理技巧

收集了7类常见茶叶病害（炭疽病、轮斑病等）共计12,458张图像，拍摄时特别注意：

• 保持叶片与标尺同框，确保比例一致
• 在不同光照条件下（晨间露水、正午强光等）多角度拍摄
• 对病斑边缘用红色记号笔标注，辅助标注人员识别

数据增强策略也针对叶片特性做了定制：

python复制transform = transforms.Compose([
    transforms.Ra