农田杂草种类繁多、生命力强、危害作物的各个生长周期,对现代化农业生产依旧具有极大的影响.为了协助农业生产中的杂草防治工作,对杂草准确、无损、高效识别,将深度学习与农业结合,利用深度学习技术对玉米田中的杂草进行识别和分类,从而为玉米田杂草治理提供技术支持.针对经典卷积神经网络计算量大、准确率低、训练时间长等问题,提出了一种基于MobileNet v2轻量级网络的玉米田杂草识别新模型Ghost-MobileNet v2.该模型以MobileNet v2为基础,加入Ghost模块强化信息流动、提升特征表达能力;再加入SE-CBAM注意力机制,该注意力机制由SE注意力机制和CBAM注意力机制并联组合而成,在通道和空间2个维度上综合考虑特征的重要性,更全面地捕捉图像特征,从而提升网络的表达能力和泛化能力.试验结果表明,与其他经典的模型和先进的多尺度模型相比,Ghost-MobileNet v2对玉米田杂草有更好的分类效果,平均准确率达到了 99.00％,高于原模型的97.58％.通过精确率、召回率、F1分数等3个评价指标,得出Ghost-MobileNet v2具有鲁棒性好、稳定性高、识别率高等特点,将该网络与现实农业生产中玉米田杂草防治工作相结合,可以有效地提高工作效率.
万方数据
维普
