基于轻量级网络自适应特征提取的番茄病害识别

为了实现番茄病害的精准识别，本研究提出一种轻量级网络自适应特征提取方法。该方法首先对图片进行正形处理，然后基于SqueezeNet模型构建轻量级网络模型GKFENet。GKFENet模型包含全局特征提取和关键特征提取2个模块，其中全局特征提取模块逐层提取番茄病害叶片的全局特征，关键特征提取模块通过学习评估出特征图各通道的重要程度，计算出权重值，最后将该值加权到原特征图上，从而实现病害关键特征的自适应提取。结果显示，正形机制有助于神经网络学习特征，本研究构建的GKFENet模型的平均识别准确率为97.90%,模型大小仅为2.64 MB,且在强噪声环境下，其识别准确率仍能保持在78.00%以上。GKFENet模型在训练过程中相对稳定，对8种番茄病害的识别准确率均超过96.00%。相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型，本研究构建的GKFENet模型的识别精度高，稳定性强且占用内存小，对于移动端未来的应用具有较高的实际价值。