基于改进ShuffleNet V2的柑橘病害识别研究
于雁南1
莫泳彬1
严继池1
熊春林1
窦世卿2
杨荣峰3
1.桂林理工大学 机械与控制工程学院,广西 桂林 5410062.桂林理工大学 测绘地理信息学院,广西 桂林 5410063.集美大学 轮机工程学院,福建 厦门 361021
摘要：大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想.针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型.首先,在ShuffleNet V2中引入混合注意力模块(Mixed attention module,MAM),提升模型对病害特征提取能力.其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本.最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数.结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型.
关键词：柑橘病害图像识别ShuffleNet V2深度学习注意力机制
分类号：S126(农业物理学)S666(果树园艺)
资助基金：国家自然科学基金(42061059)
论文发表日期：2024-01-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：10( 142-151 )
英文信息