基于轻量级SE-PPM的自然状态烟叶正副组分类算法

【目的】针对自然状态烟叶传统正副组分类速度慢、正副组易错分、特征提取困难的问题，提出了一种基于轻量级SE PPM的自然状态烟叶正副组分类算法（SAPMDSNet）。【方法】基于轻量级ShuffleNetV2网络，先通过降低网络卷积深度和进化激活函数，加快网络模型的训练速度；再引入通道注意力机制SE模块，增强通道间的特征差异，提高网络模型的表征能力，避免正副组烟叶叶部区域化导致的组别错分；最后通过嵌入金字塔池化模块PPM充分融合烟叶显露特征与全局信息，增强对正副组烟叶上下文信息的聚合,并采用自行构建的烟叶数据集进行对比试验。【结果】SAPMDSNet网络模型的分类准确率为91.09%，计算量（FLOPs）为151.70 M，取得了相对较高的分类效果。与原网络ShuffleNetV2模型和轻量级GhostNet模型相比，SAPMDSNet网络模型的FLOPs分别升高2.65%和2.84%，而识别准确率则分别提高2.72和21.13个百分点；MobileNetV2、DenseNet和SqueezeNet模型的识别准确率分别为87.02%，89.53%和87.60%，虽均与SAPMDSNet模型的识别准确率接近，但其FLOPs明显较SAPMDSNet模型大。【结论】构建的SAPMDSNet模型能提高烟叶正副组分类精度且具有较好的整体性能，为烤烟烟叶品质初筛提供了新的思路和方法。

Classification algorithm of positive and sub-group tobacco leaves in natural state based on lightweight SE-PPM