首页|基于深度学习的轻量化农作物叶片病害识别模型

基于深度学习的轻量化农作物叶片病害识别模型

扫码查看
原文链接
  • 万方数据
  • 维普
针对传统图像分类模型在识别农作物叶部病害过程中因计算资源消耗高昂从而难以部署于实际生产中的问题,本研究提出一种基于MobileNet v3的轻量化农作物叶片病害识别模型EDCA-MobileNet v3.首先在高效注意力机制中加入一条并行路径,提取不同区域的通道特征信息进行编码融合,得到新的高效双通道注意力机制EDCA,将EDCA注意力机制嵌入到MobileNet v3网络中的倒置残差结构中以提高模型的跨通道信息捕获能力;其次将原始网络中的ReLU、Hard Swish激活函数替换为SiLU激活函数以增强模型的泛化能力;最后根据农作物叶片病害特征调整网络结构和通道维度以降低模型计算量,删减不必要的网络层以抑制过拟合.结果表明,改进模型对农作物叶片病害的识别准确率达到了 98.95％,较原始模型提高了 2.64百分点,同时参数量下降到2.02 M,为原始模型的79.53％,权重大小仅有4.39 M,模型还在未出现过的新作物和新病害上具有较好的泛化能力.本研究模型具有高效、轻量的特点,因而适合在计算资源有限的移动设备和农机上部署,为农作物叶片病害防治与诊断提供技术支撑.

周江龙、王天一、李论、蒋宁

展开 >

贵州大学大数据与信息工程学院,贵州贵阳 550025

贵州玄德花椒产业发展有限公司,贵州贵阳 550018

农作物叶片病害 MobileNet v3 注意力机制 激活函数

贵州省科技计划

黔科合支撑2021一般176

2024

10.15889/j.issn.1002-1302.2024.16.030

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(16)
  • 8