随着深度学习技术的日益精进,它在植物病害识别领域的应用研究日趋深入,而优化AlexNet模型能有效提升桑叶病害识别的性能。因此,选用AlexNet作为基础网络,针对AlexNet的主干网络和多尺度特征融合策略进行改进,并提出一个新型的网络架构...随着深度学习技术的日益精进,它在植物病害识别领域的应用研究日趋深入,而优化AlexNet模型能有效提升桑叶病害识别的性能。因此,选用AlexNet作为基础网络,针对AlexNet的主干网络和多尺度特征融合策略进行改进,并提出一个新型的网络架构——IP-AlexNet模型。首先,在卷积层之后,引入Inception模块,以捕获桑叶病害图像的多样化特征,并通过减少卷积核降低网络计算的复杂度;其次,利用金字塔卷积进行多尺度特征融合,以增强模型的准确性和鲁棒性;再次,加入SE(Squeeze and Excitation)注意力机制,使模型能够聚焦于图像中的关键区域或特征,从而提高识别的精确度和效率;最后,使用自适应平均池化替换传统的最大池化以生成更平滑的特征图,从而减少图像特征信息的损失。实验结果表明,IP-AlexNet模型在桑叶病害识别方面取得了较好的效果,识别准确率高达95.33%,较AlexNet模型提升了9.66个百分点。另外,精准率、召回率、F1值和混淆矩阵等多元评价指标的综合分析表明,IP-AlexNet模型具有很好的鲁棒性和稳定性。展开更多
文摘随着深度学习技术的日益精进,它在植物病害识别领域的应用研究日趋深入,而优化AlexNet模型能有效提升桑叶病害识别的性能。因此,选用AlexNet作为基础网络,针对AlexNet的主干网络和多尺度特征融合策略进行改进,并提出一个新型的网络架构——IP-AlexNet模型。首先,在卷积层之后,引入Inception模块,以捕获桑叶病害图像的多样化特征,并通过减少卷积核降低网络计算的复杂度;其次,利用金字塔卷积进行多尺度特征融合,以增强模型的准确性和鲁棒性;再次,加入SE(Squeeze and Excitation)注意力机制,使模型能够聚焦于图像中的关键区域或特征,从而提高识别的精确度和效率;最后,使用自适应平均池化替换传统的最大池化以生成更平滑的特征图,从而减少图像特征信息的损失。实验结果表明,IP-AlexNet模型在桑叶病害识别方面取得了较好的效果,识别准确率高达95.33%,较AlexNet模型提升了9.66个百分点。另外,精准率、召回率、F1值和混淆矩阵等多元评价指标的综合分析表明,IP-AlexNet模型具有很好的鲁棒性和稳定性。
