为了实现番茄病害的快速检测,针对传统卷积神经网络病害分类方法参数量大、对算力要求高的问题,提出了一种基于可分离扩张卷积和通道剪枝的番茄病害分类方法.基于MobileNet v2,提出了一种可分离扩张卷积块,在不增加网络参数的情况下,扩大网络的感受野,提升网络提取番茄叶部病害特征的能力.然后替换PReLU激活函数,避免产生梯度弥散问题.同时能够更好地处理图像,提高网络对番茄叶部病害负值特征信息的提取能力,具有更好的鲁棒性.最后,使用通道剪枝技术,引入缩放因子联合权重损失函数,分辨相对不重要的通道,并对其进行裁剪,再对剪枝后的网络进行微调并重复以上步骤,在大幅减少网络参数量的同时,不影响网络的性能.在数据集上的结果表明,研究方法在网络参数量仅为0.7 M的情况下,准确率达到了 96.44％,精确率达到了 96.36％.与目前主流轻量化网络MobileNet v3、GhostNet、ShuffleNet v2相比,模型准确率分别提高了 0.45、0.77、0.24百分点,同时模型参数量分别仅为以上模型的12.96％、13.46％、30.43％,模型更轻量且准确率更高.
万方数据
维普
