改进Multi-scale ResNet的蔬菜叶部病害识别

• Published in: 农业工程学报 Vol. 36; no. 20; pp. 209 - 217
• Main Authors: 王春山, 周冀, 吴华瑞, 滕桂法, 赵春江, 李久熙
• Format: Journal Article
• Language: Chinese
• Published: 国家农业信息化工程技术研究中心,北京 100097 15.10.2020; 河北省农业大数据重点实验室,保定 071001%河北农业大学机电工程学院,保定 071001; 北京农业信息技术研究中心,北京 100097; 河北省农业大数据重点实验室,保定 071001%河北农业大学信息科学与技术学院,保定 071001%国家农业信息化工程技术研究中心,北京 100097; 北京农业信息技术研究中心,北京 100097%河北农业大学信息科学与技术学院,保定 071001; 河北农业大学信息科学与技术学院,保定 071001
• Subjects: 病害; 残差层; 图像处理; ResNet18; 多尺度; 图像识别; 轻量化
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2020.20.025

S511; 基于深度网络的蔬菜叶部病害图像识别模型虽然性能显著,但由于存在参数量巨大、训练时间长、存储成本与计算成本过高等问题,仍然难以部署到农业物联网的边缘计算设备、嵌入式设备、移动设备等硬件资源受限的领域.该研究在残差网络(ResNet18)的基础上,提出了改进型的多尺度残差(Multi-scale ResNet)轻量级病害识别模型,通过增加多尺度特征提取模块,改变残差层连接方式,将大卷积核分解,进行群卷积操作,显著减少了模型参数、降低了存储空间和运算开销.结果表明,在PlantVillage和AI Challenge2018中15种病害图像数据集中取得了95.95％的准确率,在自采集的7种真实环境病害图像数据中取得了93.05％的准确率,在准确率较ResNet18下降约3.72％的情况下,模型的训练参数减少93％左右,模型总体尺寸缩减约35％.该研究提出的改进型Multi-scale ResNet使蔬菜叶部病害识别模型具备了在硬件受限的场景下部署和运行的能力,平衡了模型的复杂度和识别精度,为基于深度网络模型的病害识别系统进行边缘部署提供了思路.