典型文献
基于改进ShuffleNet V2的轻量化农作物害虫识别模型
文献摘要：
及时准确地识别害虫是有效防治的重要前提.针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型.首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(Lightweight Multi-scale Feature Fusion),加强模型对不同尺度害虫的特征提取能力;其次,在ECA(Efficient Channel Attention)注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA(Adaptive and Efficient Channel Attention)注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU(Sigmoid Weighted Liner Unit)替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF(ShuffleNet for Pest Field).试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49％和78.54％,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60％和18.60％.SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04％、50.21％和40.50％.该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助.
文献关键词：
农作物;害虫识别;ShuffleNet V2;多尺度特征融合;ECA注意力机制;轻量化模型
中图分类号：
作者姓名：
彭红星;徐慧明;刘华鼐
作者机构：
华南农业大学数学与信息学院,农业农村部华南热带智慧农业技术重点实验室,广州市智慧农业重点实验室,广州 510642;佛山市中科农业机器人与智慧农业创新研究院,佛山 528251;华南理工大学化学与化工学院,广州 510641
文献出处：
引用格式：
[1]彭红星;徐慧明;刘华鼐-.基于改进ShuffleNet V2的轻量化农作物害虫识别模型)[J].农业工程学报,2022(11):161-170
A类：
LMFF,SNPF
B类：
ShuffleNet,V2,害虫识别,识别模型,有效防治,识别率,多尺度特征融合,特征融合模块,Lightweight,Multi,scale,Feature,Fusion,不同尺度,特征提取能力,Channel,Attention,注意力机制,可学习参数,参数自适应,自适应更新,不同路径,AECA,Adaptive,机制嵌入,跨通道,交互能,SiLU,Sigmoid,Weighted,Liner,Unit,ReLU,激活函数,增强模型,泛化能力,通道数,核心模块,堆叠,数重,重新设计,整体架构,计算量,参数量,Pest,Field,识别准确率,进前,百分点,浮点运算,运算量,别下,单张,推理时间,ms,ResNet,GoogLeNet,EfficientNet,B1,识别精度,轻量化模型
AB值：
0.368877
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
