CA-MobileNet V2:轻量化的作物病害识别模型

在传统的作物病害识别的深度学习模型中,存在检测精度与效率不高的问题。针对上述问题提出一种轻量化的改进型MobileNet V2模型CA-MobileNet V2(coordinate attention),在提升检测精度的同时,部署在移动端便于种植者使用。在MobileNet V2中嵌入坐标注意力模块,提升模型的精度;加入TanhExp激活函数,加速模型收敛,增强模型的鲁棒性和泛化性;将模型部署到移动端APP中,使模型具有良好的可视化应用效果。在PantifyDr和Turkey-PlantDataset数据集上的对比实验结果表明,CA-MobileNet V2具有精度高和轻量化的优势。

基于轻量化卷积神经网络的番茄病害图像识别

针对多数卷积神经网络模型计算资源消耗多、占用内存大等问题,提出了一种基于轻量化卷积神经网络的番茄病害图像识别方法FTL-MobileNet。该模型通过引入Focal Loss代替交叉熵损失函数(Cross Entropy Loss),聚焦于难分类的样本,接着在全连接层添加Dropout层,防止过拟合,将MobileNetV2在ImageNet训练好的权重参数迁移到改进模型中。选用常见的几种网络模型进行对比实验。结果表明,FTL-MobileNet相比于其他模型收敛更快、泛化能力更好、单张图片识别耗时更低、识别精度更高,在测试集上的平均准确率达到了99.87%,且训练好的模型仅8.74 MB。

基于DTS-ResNet的苹果叶片病害识别方法

针对苹果叶片病害识别中传统卷积神经网络识别精度较低、收敛速度较慢等问题,提出了一种基于DTS-ResNet(ResNet based on dual transfer learning and squeeze-and-excitation block)的苹果叶片病害识别方法。该方法以ResNet为基础模型,将注意力机制与残差模块相结合作为骨干网络以强化网络对重要特征信息的提取能力、提高识别准确率,并采用双迁移学习的训练方式加快模型的收敛速度。实验结果表明,所提出的方法的识别准确率达到98.73%,能够较好地识别苹果叶片病害。相较于一些传统的卷积神经网络,该模型收敛速度更快,拟合效果更好,且具有更高的识别精度。

融合空间注意力机制和DenseNet的玉米病害分类方法

针对现有机器学习方法对玉米叶片病害进行分类时存在准确率不高、分类模型参数量偏大的问题,提出了一种融合空间注意力机制和DenseNet的玉米叶片病害分类方法SA-DenseNet。将空间注意力机制加入至DenseNet网络的每一个Dense Block模块中,使改进后网络更加关注玉米叶片病害的空间特征;把网络中的ReLU激活函数替换为PReLU激活函数,以避免在网络训练过程中输入为负数时导致的梯度消失问题。仿真结果表明,改进模型对玉米叶片病害分类的训练集准确率为98.77%,测试集准确率为98.96%,均优于AlexNet,ResNet50,ResNeXt三个对比网络。模型大小为67.7 MB,优于ResNet50和ResNeXt网络。