基于2D DWT与MobileNetV3融合的轻量级茶叶病害识别

针对现有茶叶病害识别方法病害信息挖掘不足导致识别准确率低的问题,该研究提出了一种基于二维离散小波变换(discrete wavelet transform, DWT)和MobileNetV3融合的茶叶病害识别模型CBAM-TealeafNet。为增强网络对病害频域特征的检测能力,将2D DWT获取的频域特征与bneck结构提取的深度特征融合,形成频域与深度特征融合的识别网络。为提高特征提取能力,在bneck结构中,嵌入卷积块注意模块(convolutional block attention module, CBAM),为特征通道分配相应权重。为解决样本类别不平衡对识别模型性能的影响,利用焦点损失函数取代交叉熵损失函数以提高识别精度。经验证,CBAM-TealeafNet在5种不同茶叶病害上整体识别准确率达到98.70%,参数量为3.16×10^(6),相对MobileNetV3,准确率提升2.15个百分点,参数量降低25.12%。该方法可为茶树叶部等作物病害轻量级识别研究提供模型参考。