融合双分支特征和注意力机制的葡萄病虫害识别模型
Model for identifying grape pests and diseases based on two-branch feature fusion and attention mechanism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 华南理工大学化学与化工学院广州510641
出 版 物:《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)
年 卷 期:2022年第38卷第10期
页 面:156-165页
核心收录:
学科分类:0710[理学-生物学] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0901[农学-作物学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(61863011,32071912) 2020广东省乡村振兴战略专项(2020KJ261) 广州市基础研究计划基础与应用基础研究项目(202102080337) 广州市科技计划项目(202002020016)。
主 题:病虫害 图像识别 葡萄 MobileNet V2 双分支特征融合 坐标注意力机制
摘 要:葡萄病虫害识别是精细化防治的前提。针对现有研究中存在的数据集少、识别精度低、模型参数量大等问题,该研究构建包含健康叶片、3类病害叶片和16类虫害的葡萄病虫害数据集,提出基于改进MobileNet V2模型的葡萄病虫害识别模型。首先在MobileNet V2模型的反向残差模块中嵌入坐标注意力(Coordinate Attention,CA)机制,提升模型的信息表征能力;然后使用深度可分离卷积设计双分支特征融合模块,加强模型的特征提取能力;最后对模型的通道数进行调整,精简模型结构。试验结果表明:MobileNet_Vitis在葡萄病虫害数据集上的识别准确率和F1分数为89.16%和80.44%,相比改进前的MobileNet V2提高了1.83和9.31个百分点,而模型参数大小为7.85 MB,减少了8.5%。与ResNet101、ShuffleNetV2、MobileNetV3和GhostNet相比,MobileNet_Vitis的识别精度和F1分数更高,参数量更小。MobileNet_Vitis对单张葡萄病虫害图像的推理时间为17.53 ms,可以达到快速识别的要求。该研究提出的模型能够较好地识别葡萄病虫害,并且较大幅度地减少模型的参数量。将MobileNet_Vitis模型部署到移动端的小程序上,可为葡萄病虫害的防治提供帮助。