CNN之战：ResNet vs. MobileNet vs. EfficientNet 用于水果疾病检测

发布: 3周前 (2026年1月14日 GMT+8 15:48)

7 分钟阅读

原文: Dev.to

Source: Dev.to

介绍

我一直对深度学习如何解决现实世界的问题感到着迷，而水果病害检测似乎是一个完美的挑战——既不过于简单，也不至于复杂到不可实现，并且对与作物损失作斗争的农民真正有用。

我构建了 FruitScan‑AI 并测试了三种不同的神经网络架构，以找出哪一种表现最佳。剧透一下：每种模型都有其优势，而“最佳”模型完全取决于你的具体需求。

为什么要进行水果病害检测？

农民每年因病虫害损失 20 %–40 % 的作物。传统的检查方式——在田间走动，手动检查每株植物，期望及早发现问题——既慢又不稳定，而且需要并非所有人都具备的专业知识。

如果我们只需拍一张照片就能获得即时诊断会怎样？这正是 FruitScan‑AI 的用武之地。

我构建的内容

FruitScan‑AI 是一个深度学习系统，能够查看水果图像并告诉你两件事：

它是什么水果
它是健康的还是患病的

我没有只停留在单一模型；我使用 EfficientNet、MobileNetV2 和 ResNet50 构建了三个版本，以便并排比较它们。

数据集

包含 15+ 种水果的图像（苹果、香蕉、葡萄、芒果、西红柿、辣椒，…）
每个类别均包括健康与病害标本（细菌斑点、真菌感染、腐烂等）
高分辨率图像，捕捉用于精确分类的细微细节

三种架构（以及我为何选择它们）

EfficientNet – 平衡之选

EfficientNet 通过 compound scaling 同时缩放深度、宽度和分辨率，能够在不成为计算怪兽的情况下提供出色的准确率。我选择它是因为它的高效性以及在图像分类任务中的强大表现。

MobileNetV2 – 轻量冠军

MobileNetV2 为移动设备设计，使用 depthwise separable convolutions 以更少的资源实现更多功能。非常适合在手机或农场中的 Raspberry Pi 上部署。如果我要为农民构建现场应用，这将是我的首选。

ResNet50 – 重量级选手

ResNet50 引入了 skip connections，使得非常深的网络在没有梯度消失的情况下也能训练。它更深、更强大，并提供了一个可靠的基准用于比较。

实际工作原理

所有三个模型都使用 transfer learning——它们在 ImageNet 上预训练，因此已经掌握了边缘、纹理和形状。

# Freeze the pretrained layers at first
base_model = EfficientNetB0(weights='imagenet', include_top=False)
base_model.trainable = False

# Add custom classification layers on top
model = Sequential([
    base_model,
    GlobalAveragePooling2D(),
    Dense(256, activation='relu'),
    Dropout(0.5),
    Dense(num_classes, activation='softmax')
])

为什么使用迁移学习？

训练更快
所需数据更少
结果更好

训练流程

Resize 将图像调整为每个模型期望的输入尺寸（通常为 224×224）。
Normalize 使用 ImageNet 统计数据。
Data augmentation（翻转、旋转、亮度调整）以防止记忆化。
Batch training 以保持 GPU 高效运行。

我跟踪了常见指标：accuracy, precision, recall, F1‑score, 和 confusion matrices，以查看每个模型的薄弱之处。

入门指南（如果你想尝试）

需求

pip install tensorflow keras numpy pandas matplotlib scikit-learn

获取代码

git clone https://github.com/sisodiajatin/FruitScan-AI.git
cd FruitScan-AI

仓库结构

FruitScan-AI/
├── EfficientNet/   # EfficientNet notebooks
├── MobileNetV2/    # MobileNetV2 experiments
└── ResNet50/      # ResNet50 implementation

运行 Notebook

cd EfficientNet   # or whichever model you want
jupyter notebook
# Open the training notebook and run it cell by cell

进行预测

# Load your model
model = tf.keras.models.load_model('fruit_disease_model.h5')

# Prepare the image
img = tf.keras.utils.load_img('suspicious_apple.jpg', target_size=(224, 224))
img_array = tf.keras.utils.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array = tf.keras.applications.efficientnet.preprocess_input(img_array)

# Get prediction
predictions = model.predict(img_array)
class_idx = np.argmax(predictions[0])

print(f"This looks like: {class_labels[class_idx]}")
print(f"Confidence: {predictions[0][class_idx] * 100:.2f}%")

简单的 Flask 包装器（API）

from flask import Flask, request, jsonify
import tensorflow as tf

app = Flask(__name__)
model = tf.keras.models.load_model('best_model.h5')

@app.route('/predict', methods=['POST'])
def predict():
    # Expect an image file under the key 'file'
    file = request.files['file']
    img = tf.keras.utils.load_img(file, target_size=(224, 224))
    img_array = tf.keras.utils.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array = tf.keras.applications.efficientnet.preprocess_input(img_array)

    preds = model.predict(img_array)
    class_idx = np.argmax(preds[0])
    confidence = preds[0][class_idx] * 100

    return jsonify({
        'class': class_labels[class_idx],
        'confidence': f'{confidence:.2f}%'
    })

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

结束语

每种架构在不同场景下各有优势：

EfficientNet – 最佳的整体准确率与效率比。
MobileNetV2 – 在资源受限的设备上进行推理的理想选择。
ResNet50 – 提供强大的基线，并在计算资源充足时表现出色。

欢迎随意探索、微调并将代码应用于您自己的水果病害检测项目！

def predict():
    file = request.files['image']
    img = preprocess_image(file)
    prediction = model.predict(img)

    return jsonify({
        'fruit': get_fruit_name(prediction),
        'status': 'healthy' if is_healthy(prediction) else 'diseased',
        'confidence': float(np.max(prediction))
    })

那么…哪个模型赢了？

老实说？ 这取决于你的优化目标。

Model	Accuracy	Speed (per image)	Size / Use‑case
EfficientNet	92 % – 95 %	30 ms – 50 ms	表现均衡
MobileNetV2	88 % – 91 %	10 ms – 20 ms	快速且体积小——非常适合移动应用
ResNet50	90 % – 93 %	50 ms – 80 ms	速度较慢且体积更大——适合研究或对精度要求极高的场景

试一试！

如果这听起来很有趣：

⭐ 给仓库加星 –