基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...     

基于改进EfficientNetv2模型的多品种南药叶片分类方法

为提高南药叶片的分类和分拣效率,本研究对 EfficientNetv2网络模型进行改进,引入迁移学习机制训练模型,选取自适应矩估计优化算法,通过多次测试进行超参数优化,确定学习率;采用MultiMarginLoss损失函数改善复杂背景信息对识别效果的影响。应用改进后的EfficientNetv2模型与其他轻量级模型对实地采集的复杂背景下的8种南药叶片进行分类效果对比试验,试验结果显示,改进模型对复杂背景下的南药叶片图像样本识别准确率为99.12%,相较于初始模型EfficientNetv2-S,准确率提高1.17%,并且参数量和模型大小均下降约85%,平均训练时间下降47.62%。与DenseNet121、ShuffleNet和RegNet等模型相比,改进模型在模型存储空间大小、准确率和训练时间3个指标上有明显优势。研究结果表明,在多品种南药叶片分类任务中,改进模型取得优良表现,模型的轻量化程度和性能得到进一步的提升。