基于超轻量化卷积神经网络的番茄病虫害诊断

针对番茄病虫害诊断中存在的传统卷积神经网络结构复杂、难以直接应用于便携终端,以及现有轻量化卷积神经网络特征提取能力弱、识别准确率低、难以满足实际需要等问题,本研究拟在原有轻量化卷积神经网络的基础上,定义超轻量化卷积神经网络,设计一种基于SqueezeNet网络改进的超轻量化卷积神经网络,将其用于番茄病虫害诊断任务中。首先,改进SqueezeNet网络中的Fire模块,生成2种适用于不同特征维度的Fire模块,并引入ECA(高效通道注意力)模块以提高模型的特征提取能力;其次,结合扩展型指数线性单元函数(SELU)和Mish函数,替代修正线性单元函数(ReLU)作为激活函数;再次,采用软池化(Softpool)替代原始的最大池化;最后,利用中心损失函数(Center loss)改进指数归一化损失函数(Softmax loss),提高对近似病虫害的识别准确率。本研究选择了8种害虫和9种病害,对害虫、病害、病虫害3类数据集进行数据增强,并探讨了数据的小样本性、不平衡性对模型性能的影响。结果表明,本研究提出的模型具有超轻量化的特点,对害虫、病害、病虫害的识别准确率最高分别可达98.83%、98.14%和97.71%,能够很好地满足番茄病虫害诊断需求。