基于改进ShuffleNet V2的轻量化农作物害虫识别模型

• Published in: 农业工程学报 Vol. 38; no. 11; pp. 161 - 170
• Main Authors: 彭红星, 徐慧明, 刘华鼐
• Format: Journal Article
• Language: Chinese
• Published: 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 01.06.2022; 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
• Subjects: ECA注意力机制; 多尺度特征融合; 农作物; 害虫识别; ShuffleNet V2; 轻量化模型
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.11.018

TP391.4; 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.