基于多尺度注意力残差网络MSA-ResNet的农作物病害识别

摘要

针对现有农作物病害图像识别方法识别准确率低、网络模型规模大等问题,提出一种基于多尺度注意力残差网络MSA-ResNet的农作物叶片病害识别方法。首先,利用多尺度卷积层提取不同尺度的病害特征,拓展网络宽度,并在不损失网络性能的前提下,利用深度可分离卷积代替网络结构中的部分标准卷积,减小模型规模;其次,利用注意力机制模块提升有效病害特征的表达,削弱无关特征的影响;最后,对不同通道进行多尺度特征融合,提取到丰富的病害特征,提升模型准确率。实验结果表明,改进后的多尺度残差网络MSA-ResNet在AI Challenger数据集上取得了较好性能,识别准确率达到89.93%,模型大小为30.5MB,在模型识别准确率与模型规模之间取得了较好平衡。