基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用，而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题，对ShuffleNet V2进行改进，提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先，在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM），提升模型对病害特征提取能力。其次，利用Ghost模块优化网络中卷积层，有效降低网络模型参数量和计算成本。最后，调整网络结构中ShuffleNet V2单元堆叠次数，进一步简化网络参数。结果表明，在自建柑橘叶片数据集中，MAM-ShuffleNet模型平均识别准确率达到97.7%；与原始ShuffleNet V2相比，其参数量降低了45.7%，识别准确率提升了1.2百分点；综合性能明显优于ResNet50、DenseNet121等模型。