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。