结合八度卷积与注意力机制的Xceptions林业害虫识别方法

针对Xception网络模型参数量大,较难运用在移动端识别林业害虫的问题,提出一种基于Xception的网络框架并结合八度卷积与注意力机制的卷积神经网络模型。将Xception输入层的最后两层深度可分离卷积与中间层的深度可分离卷积的卷积核个数修改为512,并且将中间层的循环次数修改为5次,以此减少模型的参数。使用八度卷积替换网络输入层的普通卷积,压缩图像的低频特征;引入CBAM注意力机制,增强模型在预测过程中空间与通道信息的表达能力,从而提高网络性能。数据集包含15种林业害虫,根据模型的削减、八度卷积与注意力机制的引入与否,提出了三种改进模型。结合八度卷积与注意力机制的削减后的Xception性能最优,准确率为91.7%,参数量为12.06 MiB。为了更客观体现模型的性能,将原Xception、resnet50与vgg16在同一数据集下训练。结果表明,准确率上,该模型优于resnet50与vgg16,劣于原Xception,但由于该模型在参数量上绝对的优势,该模型整体性能最佳。然而由于一些害虫特征较为相似,在诸如此类害虫分类任务,模型精度有待提高。文章提出的改进模型可以达到较高的分类准确率且拥有较低参数量,可为后续深入研究林业害虫的识别提供参考。