基于注意力改进CBAM的农作物病虫害细粒度识别研究

摘要

预防和控制农作物病虫害是保证作物产量的重要措施.为了提高病虫害识别模型的准确率,对注意力CBAM模块进行改进,提出一种新的混合注意力模块I_CBAM.通过通道注意力与空间注意力的并行连接,解决了串行连接两种注意力产生干扰的问题.添加了I_CBAM模块的InRes-v2、MobileNet-v2、LeNet、AlexNet、改进AlexNet模型的Top-1(61类)准确率分别达到了86.98％、86.50％、80.97％、84.47％和84.96％,比原模型分别提高了0.51、0.62、1.74、0.53、0.55个百分点.研究表明,提出的并行混合注意力模块I_CBAM在病虫害细粒度分类上具有更优的识别效果,且在不同卷积神经网络模型之间拥有良好的泛化性.将I_CBAM中通道注意力压缩比调整为32,使添加了I_CBAM的MobileNet-v2迁移学习模型的内存缩小至28.3 MB,预测一幅图像平均用时仅为7.19 ms,大大提高了预测响应速度.将该模型部署到移动端小程序上,结果表明,添加了I_CBAM模块的模型具有良好的可视化应用效果.