基于改进ShuffleNet V2的荔枝叶片病虫害图像识别

• Published in: 果树学报 Vol. 40; no. 5; pp. 1024 - 1035
• Main Authors: 谢家兴, 陈斌瀚, 彭家骏, 何培华, 景庭威, 孙道宗, 高鹏, 王卫星, 郑代德, 李君
• Format: Journal Article
• Language: Chinese
• Published: 广东省农情信息监测工程技术研究中心,广州 510642%岭南现代农业科学与技术广东省实验室茂名分中心,广东茂名 525000 2023; 华南农业大学工程学院,广州 510642; 广东省农情信息监测工程技术研究中心,广州 510642%华南农业大学电子工程学院(人工智能学院),广州 510642%华南农业大学电子工程学院(人工智能学院),广州 510642; 岭南现代农业科学与技术广东省实验室茂名分中心,广东茂名 525000; 华南农业大学电子工程学院(人工智能学院),广州 510642
• Subjects: 荔枝; 模型参数; 叶斑症状; 图像识别; ShuffleNet V2模型
• ISSN: 1009-9980
• DOI: 10.13925/j.cnki.gsxb.20220597

S667.1; [目的]探索及时、准确识别危害荔枝叶片病虫害的方法,做好防护和治理工作.[方法]以常见荔枝叶片病虫害图像为研究对象,针对荔枝病虫害图像的病斑分布区域广、面积大小不一等特点,对ShuffleNet V2模型进行相应改进.首先,采集荔枝5类叶片病虫害制作数据集,采用数据增强操作构建更加丰富的数据集;其次,在网络特征提取模块采用混合空洞卷积,避免传统卷积在下采样过程中造成图像分辨率降低及信息丢失;然后,通过嵌入轻量型通道注意力模块ECA(efficient channel attention),增进特征图之间相互依赖关系.此外,删减模型中不必要的层数和通道数,降低模型的参数量及运算量.[结果]研究所改进模型在5类荔枝病虫害图像(毛毡病、炭疽病、煤烟病、叶瘿蚊、藻斑病)中达到了99.04％的识别准确率,比原网络ShuffleNet V2高出2.55％.相较于经典网络AlexNet、ResNet-18、DenseNet和MobileNet V2等,改进模型不仅有着更高的识别准确率,并且改进后模型参数量仅为0.059×106,为原模型的4.92％,浮点运算量仅为0.183×109.[结论]研究结果适合部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病虫害实时、准确地识别.