基于深度可分离与空洞卷积的轻量化小麦生育进程监测模型研究

小麦的栽培管理措施依赖于其生育进程的监测,而传统人工观测小麦生育信息的获取方式,不仅效率低而且无法满足实时、快速的监测需求。为了解决上述问题,本研究提出一种基于深度可分离和空洞卷积的轻量化小麦生育进程监测方法,开展对小麦生育进程自动识别的研究。通过对试验田小麦完整生育周期内物候特征的持续拍摄,得到小麦各生育期分类图像数据集,并使用去中心化、错位缩放、翻转变换的图像增强方式对小麦生育期数据集进行扩充;通过使用深度可分离卷积有效地降低了模型的参数量和训练时间,在此基础上加入空洞卷积技术扩大网络中的感受野,提高网络对边缘的特征学习能力,并借助残差网络的技术逐步加深神经网络的深度,构建小麦生育进程监测模型。结果表明,本研究提出的监测模型在识别准确率方面高于经典的VGG16、InceptionV3、ResNet50模型,达到了98.6%。参数规模降低至1.3 MB,相比于轻量级模型MobileNetV2降低了58%,同等环境下在识别速度方面较MobileNetV2提高了47%;同时,利用TensorFlow Serving对监测模型进行部署,遵循前后端分离,采用SpringBoot及BootStrap等技术框架,开发了小麦生育进程智能监测服务系统,系统具有很好的松耦合性和灵活性。本研究为小麦生育进程智能化识别提供了技术支撑,也为低分类场景设计轻量且高效的卷积神经网络模型提供了可借鉴的方法。