基于改进ResNet18的胡麻干旱胁迫识别与分类研究

【目的】为实现在移动端对胡麻干旱胁迫实时监测，解决传统机器学习方法在识别分类时准确率低、速度慢的问题，提出一种基于改进ResNet18的胡麻干旱胁迫分类识别方法。【方法】首先在网络中添加卷积块注意力（CBAM）模块，强化网络对胁迫特征的提取能力；其次调整残差块中批标准层、激活函数、卷积块的连接顺序，实现对输入的样本数据进行归一化操作；最后将ReLU激活函数替换成LeakyReLU激活函数，避免出现神经死亡现象。试验分为无胁迫、轻度干旱、重度干旱3个水分胁迫处理，分批次采集不同干旱程度胡麻叶片图像，数据样本按3∶1分为训练集与测试集，并使用数据增强的方法增加样本的多样性。【结果】改进ResNet18模型分类准确率高达98.67%，相比于ResNet18和VGG16分别提高6.14和4.87个百分点，而模型所需参数大小仅为42.80 MB，单幅图像推理时间为17.50 ms。【结论】该文模型对胡麻干旱胁迫具有更好的分类识别效果，能够实现嵌入式设备上胡麻干旱胁迫识别的实时性要求。可为胡麻干旱监测、机械化生产等研究提供技术支持。