基于轻量型残差网络的自然场景水稻害虫识别

TP%S24; 准确识别水稻害虫对水稻及时采取防护和治理具有重要意义.该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫个体间形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络(Light Weight Residual Network,LW-ResNet)用于水稻害虫识别.在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征.LW-ResNet网络在特征提取模块减少了残差块的数量...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 37; no. 16; pp. 145 - 152
Main Authors 鲍文霞, 吴德钊, 胡根生, 梁栋, 王年, 杨先军
Format Journal Article
LanguageChinese
Published 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥 230601%中国科学院合肥物质科学研究院,合肥 230031 15.08.2021
Subjects
农作物;模型;图像识别;水稻害虫;注意力机制;深度可分离卷积
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2021.16.018

Cover

More Information
Summary:TP%S24; 准确识别水稻害虫对水稻及时采取防护和治理具有重要意义.该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫个体间形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络(Light Weight Residual Network,LW-ResNet)用于水稻害虫识别.在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征.LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化.试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5％的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型.该研究成果可用于移动端水稻害虫的自动识别.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2021.16.018