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。     

基于改进ShuffleNet V2的荔枝叶片病虫害图像识别

【目的】探索及时、准确识别危害荔枝叶片病虫害的方法，做好防护和治理工作。【方法】以常见荔枝叶片病虫害图像为研究对象，针对荔枝病虫害图像的病斑分布区域广、面积大小不一等特点，对ShuffleNet V2模型进行相应改进。首先，采集荔枝5类叶片病虫害制作数据集，采用数据增强操作构建更加丰富的数据集；其次，在网络特征提取模块采用混合空洞卷积，避免传统卷积在下采样过程中造成图像分辨率降低及信息丢失；然后，通过嵌入轻量型通道注意力模块ECA(efficient channel attention)，增进特征图之间相互依赖关系。此外，删减模型中不必要的层数和通道数，降低模型的参数量及运算量。【结果】研究所改进模型在5类荔枝病虫害图像(毛毡病、炭疽病、煤烟病、叶瘿蚊、藻斑病)中达到了99.04%的识别准确率，比原网络ShuffleNet V2高出2.55%。相较于经典网络AlexNet、ResNet-18、DenseNet和MobileNet V2等，改进模型不仅有着更高的识别准确率，并且改进后模型参数量仅为0.059×10⁶，为原模型的4.92%，浮点运算量仅为0.183×1...