利用轻量型卷积神经网络模型识别苹果叶部病害的探索

网络深度和宽度的增加虽然能增加识别的准确率,但往往参数量和计算量较大,并不适合移动设备的应用。为解决这一问题,构建了2种轻量型CNN模型,通过改进SqueezeNet网络的Fire模块,加入空间注意力机制以及在网络深层加入稠密连接模块,提高网络的特征提取与特征复用能力。通过在构建的苹果病害叶片数据集上训练,改进后的模型识别准确率达到89.60%和94.37%,相较于原网络提高了2.98个和7.75个百分点,而网络的参数量仅有0.9 M和2.5 M。结果表明,改进后的网络在保证模型轻量的同时也获得了较高的识别准确率。