| 改进多尺度残差网络病害叶片图像识别 |
| |
| 引用本文： | 周孟然,姚旭.改进多尺度残差网络病害叶片图像识别[J].计算机工程与应用,2023(11):195-202. |
| |
| 作者姓名： | 周孟然 姚旭 |
| |
| 作者单位： | 安徽理工大学电气与信息工程学院 |
| |
| 基金项目： | 国家重点研发计划（2018YFC0604503）； |
| |
| 摘 要： | 针对农作物病害图像识别模型存在参数量较大内存占用较多、识别准确率不高及训练速度慢等问题，提出了融合注意力模块的多尺度卷积网络叶片病害图像识别模型。该网络模型基于残差网络模块，利用多尺度卷积取代了传统的单尺度卷积，使得网络加宽以获取更多的特征信息，避免网络堆叠过深引起的过拟合现象；同时为了加快模型训练速度，采用深度可分离卷积代替传统卷积减少模型参数量；将注意力机制引入到残差网络中，增强了模型的关键特征信息的提取能力，从而提高了模型的识别精度。通过对试验数据集进行对比试验，改进网络模型的识别准确率达到99.48%并且模型参数量仅有19.06 MB，试验结果表明所提出的方法能有效地提高模型的识别性能并降低模型参数量，为实现低成本终端运行奠定基础。
|
| 关 键 词： | 图像识别 多尺度卷积 深度可分离卷积 注意力模块 |
|
|
