针对苹果叶片病害识别准确率低以及现有模型难以适应真实复杂场景等问题,提出一种改进的轻量化网络——MobileViT_filter_FCN,以提高对苹果叶片病害的识别准确率,并使得模型可以适应户外的复杂光照及遮挡环境.首先收集5类常见苹果叶片病害(如落叶病、褐斑病等)的图像样本,并利用多种数据增强技术对样本数据进行预处理(如水平翻转、垂直翻转等),以增加样本数据的多样性并提高模型的泛化能力;接着利用傅里叶变换技术设计一个可学习的滤波器层Filter layer,替换原始MobileViT模型中的多头注意力结构,以降低图片中的噪声影响并提高模型性能;最后,在修改后的MobileViT模型基础上,利用深度卷积层和残差结构设计一种FCN结构,结合该结构增强模型对病害图像的特征学习能力,进一步提高模型性能.试验结果表明,改进后的MobileViT_filter模型对苹果叶片病害的平均识别准确率达到97.73％,较原模型提高0.95百分点;在该基础上加入FCN结构后,平均识别准确率达到98.03％,较原模型提高1.25百分点,同时参数量减少2.6 M.
万方数据
维普
