科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂，部署在计算资源有限的边缘设备和移动终端上适应性不强，实时准确识别作物病害较差的问题，提出一种改进ShuffleNet V2的轻量级农作物病害识别方法。以ShuffleNet V2单元为基础，引入ECA(efficient channel attention)注意力模块，使用H-Swish激活函数以便减少网络结构每个Stage模块中ShuffleNet V2单元使用个数，使用轻量化网络设计组件深度可分离卷积。在PlantVillage病害数据集上进行实验。结果表明，模型的参数量约为2.95×105，计算量为3.388×107(FLOPs)和6.674×107(MAdd)，病害识别平均准确率达到了99.24%，为农作物病害识别方法在移动终端等资源受限设备上部署应用提供参考。
- 出版日期2022
- 单位广东工业大学
