针对复杂自然环境下杂草识别准确率不高、泛化和拟合能力较差等问题,提出基于注意力与小平核的ConvNeXt杂草图像识别方法.首先,在ConvNeXt模块中加入GRN正则化策略,有效减少识别过程的过拟合风险,提高模型的泛化能力;其次,提出在所有Block中把7×7的深度可分离卷积分解为有4个平行分支的小平方核,提升对杂草图像的特征提取能力;最后,在ConvNeXt结合上述方法下,引入SENet通道注意力模块,进一步提高模型在通道方向的特征融合,强化杂草特征,构建出杂草识别模型.为验证模型的识别性能,使用公开的9类杂草图像样本进行对比试验,结果表明,与主流模型相比,模型在准确率、精确率、召回率、F1分数上均表现优异,分别达到96.172％、95.556％、96.478％、96.014％;消融试验结果表明,与基准模型ConvNeXt相比,GRN、小平方核分别提高8.639％、5.691％,SENet在前二者基础上提高了 5.174百分点;可视化分析证明,引入的通道注意力能更好关注到杂草特征.该模型可提高杂草识别准确率和对真实环境的泛化能力,为精准防控杂草提供有效的解决方法.
万方数据
维普
