基于空洞卷积下采样单元的轻量化害虫图像识别模型

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：近年来,随着深度学习技术在计算机视觉领域的广泛应用,害虫图像识别成为农业领域中一项重要任务.为了解决害虫图像识别中传统深度学习模型对计算资源和存储空间需求过高的问题,本研究提出一种基于空洞卷积下采样单元的轻量化害虫图像识别模型.该模型采用轻量化网络架构,并引入空洞卷积和下采样技术来减小计算量和存储空间.首先,采用MobileNet v2网络来替代VGG16网络,以解决主干特征提取网络参数量过大的问题;其次,设计空洞卷积下采样单元对特征图进行降采样,从而实现模型的多尺度识别;最后,引入空洞卷积更好地捕获不同尺度的感受野.试验结果表明,本研究模型对害虫的识别准确率比VGG16模型提高了 1.47％;相较于现有深度学习模型,该模型在减小50％参数量的同时,依然能够保持较高的识别准确率和实时性能.期待本研究模型可以对农业领域中害虫的监测与预警等提供一定的实际应用价值.

作者：

孔令旺、赵刚

展开 >

作者单位：

吉林工程职业学院信息工程学院,吉林四平 136000

吉林大学,吉林长春 130021

关键词：

空洞卷积下采样单元轻量化害虫图像识别多尺度识别深度学习

基金：

国家自然科学基金

项目编号：

62076109

出版年：

2024

DOI：

10.15889/j.issn.1002-1302.2024.11.025

江苏农业科学

江苏省农业科学院

江苏农业科学

CSTPCD北大核心

影响因子：0.732

ISSN：1002-1302

年,卷(期)：2024.52(11)