基于改进EfficientNet模型的作物害虫识别

摘要

精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention,CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算的基础上获得了明显优于同类最优算法的准确率。