针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高,且一些大型网络在分类任务中参数量较大,迁移到移动设备和嵌入式设备上时存在难以存储等问题,提出一种改进轻量化网络ShuffleNet v2的识别方法.首先收集了斑点落叶病、灰斑病、花叶病、锈斑病、褐斑病5类常见苹果叶片病害图像样本,通过镜像高斯和旋转等方式对图像进行处理,以增加图片数量,提升模型识别和泛化能力.接着基于轻量化ShuffleNet v2网络为主体,调整第1层卷积核的尺寸,将3x3、步长为2的卷积核调整为1x1、步长为1的卷积核.最后融合空间注意力机制,并进行加权,增强模型对重要信息的注意,再引入Ghost模块,提高模型表征能力.结果表明,改进后的模型相比ShuffleNet v2总体平均精确率提升1.23百分点,平均F1分数提升了 1.21百分点,平均召回率提升了 1.20百分点,Top-1准确率提升了 1.17百分点,参数量仅为9.8 MB,说明本研究得出的方法具有较高的准确率,为真实场景下苹果叶片病害识别提供了一种有效的解决方案,并为未来工作提供新方向.
万方数据
维普
