基于注意力机制与EfficientNet的轻量化水稻病害识别方法

摘要：

为实现水稻病害图像的快速、准确识别,提出一种基于注意力机制与EfficientNet的轻量化水稻病害识别方法.该方法首先引入轻量级卷积注意力模块(Convolutional Block Attention Module,CBAM)改进Efficientnet-B0中的主体模块轻量翻转瓶颈卷积核(Mobile Inverted Bottleneck Convolution,MBConv),然后利用Ghost模块优化网络中的卷积层,降低网络的参数量和计算量,最后使用Adam优化算法提高网络的收敛速度.在由572幅水稻白叶枯病、稻粒黑粉病、稻曲病、稻胡麻斑病和健康叶片5类水稻图像构成的测试集上,本文所提方法的识别准确率为95.63％,较EfficientNet-B0提高 1.75％;分别比同类经典神经网络 VGG16、Inception-V3、ResNet101 和 DenseNet201 提高 8.39％、4.72％、3.67％和1.05％.本文所提方法模型参数量为4.4 M,较EfficientNet-B0减少2.8 M;相比于对照网络,其参数量仅是这些网络模型参数量的9.05％、18.37％、9.81％和21.64％.试验结果表明:本文所提方法能够实现对不同水稻病害图像的准确、快速识别,而且识别模型轻量,具有较少的网络参数量.

关键词：水稻、病害识别、EfficientNet、注意力模块、Adam

所属期刊栏目：43

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划;国家重点研发计划;北京市农林科学院创新能力建设专项;北京市农林科学院创新能力建设专项

在线出版日期：2022-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：172-181