基于改进MobileNet的轻量级外来入侵植物识别模型研究

摘要：

外来入侵植物防治的首要任务是准确识别入侵植物种类,然而外来入侵植物种类繁多,存在类间同质和类内异质现象,给技术人员甄别与防治外来入侵植物带来了挑战.为了准确、实时和高效地识别外来入侵植物,本文提出基于改进MobileNet的轻量级外来入侵植物图像识别模型(MobileNet-LW).以专业人员鉴定得到的113种11 628幅外来入侵植物图像作为研究对象,并按照6∶2∶2的比例划分训练集、验证集和测试集.通过Retinex、旋转和高斯噪声等方法对图像进行数据增强.为了减少类间同质现象对模型误检的影响,在模型MobileNet基础上添加了 SE通道注意力机制和深度连接注意力网络,提高网络对关键特征的提取能力.为了降低模型计算消耗和内存消耗,采用通道剪枝方法对网络瘦身;为了弥补剪枝后造成模型准确率降低,采用教师网络-助教网络-学生网络的形式对剪枝后的网络进行知识蒸馏,学生网络通过软知识的学习来提高识别外来入侵植物的准确率.通过消融试验测试模型的性能,利用平均准确率、平均召回率和平均F1值3个评价指标,对现阶段经典模型与改进后模型MobileNet-LW所获得的识别结果进行评价.消融试验结果显示,在相同数据集条件下,所有改进点对模型的性能都有所提升,且改进后算法在外来入侵植物图像识别中准确率提高了 5.4百分点,模型参数量减少了约53％;模型对比试验表明,EfficentNet、DBTNet、ResNet-101、ConvNext 和 MobileNet-LW 5 个模型平均准确率分别为 72.3％、74.9％、76.1％、79.7％和86.1％,表明改进后的网络提高了外来入侵植物的识别准确率.基于改进MobileNet的轻量级外来入侵植物识别模型对113种外来入侵植物识别具有较高的准确率,且模型具有轻量化特点.

关键词：外来入侵植物、智能识别、通道剪枝、知识蒸馏、注意力机制、MobileNet

所属期刊栏目：50

分类号：Q948;TP391.41(植物学)

资助基金：国家重点研发计划2021YFC2600400

在线出版日期：2024-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：85-96