针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,...针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,用线性瓶颈的倒残差深度可分离卷积代替标准卷积,用卷积层来代替全连接层,大幅度降低了模型的参数量和运算量。在深度卷积和点卷积之间加入改进的squeeze and excitation通道注意力模块,来增强模型精度。注意力模块的第2个全连接层的激活函数使用hard-swish代替sigmoid,可以大幅度提高运算速度。试验样本数据为PlantVillage数据集的玉米病害子数据集,由于样本数据集偏小,通过随机旋转、随机缩放大小、随机宽度高度偏移、水平翻转、垂直翻转、随机错切变换、随机亮度变化、样本零均值化等方式对样本数据进行了增强和扩充,扩充后的数据集在改进模型上进行试验。试验结果表明,和VGG16对比,改进模型的准确率提高了1.48百分点,参数量是原模型的1/5,运算量是原模型的1/15;在不降低准确率的前提下,模型的参数量和运算量大幅度降低,实现了模型的轻量化。改进模型可以部署在移动终端等手持设备上,为农业病害识别提供指导和参考。展开更多
文摘针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,用线性瓶颈的倒残差深度可分离卷积代替标准卷积,用卷积层来代替全连接层,大幅度降低了模型的参数量和运算量。在深度卷积和点卷积之间加入改进的squeeze and excitation通道注意力模块,来增强模型精度。注意力模块的第2个全连接层的激活函数使用hard-swish代替sigmoid,可以大幅度提高运算速度。试验样本数据为PlantVillage数据集的玉米病害子数据集,由于样本数据集偏小,通过随机旋转、随机缩放大小、随机宽度高度偏移、水平翻转、垂直翻转、随机错切变换、随机亮度变化、样本零均值化等方式对样本数据进行了增强和扩充,扩充后的数据集在改进模型上进行试验。试验结果表明,和VGG16对比,改进模型的准确率提高了1.48百分点,参数量是原模型的1/5,运算量是原模型的1/15;在不降低准确率的前提下,模型的参数量和运算量大幅度降低,实现了模型的轻量化。改进模型可以部署在移动终端等手持设备上,为农业病害识别提供指导和参考。
