基于高阶残差和注意力机制的轻量型作物害虫识别

精准识别作物害虫对作物进行适时地防护和治理具有重要意义.?在面向自然环境时,?由于作物害虫体积小、与环境颜色的差异性不大,?同时又面临着各种噪声和复杂背景等因素的影响,?目前与深度学习相关的作物害虫识别模型存在难以兼顾识别准确率和鲁棒性的要求,?难以部署在计算资源有限和低性能的移动端等缺陷.?因此选取ShuffleNetV2网络结构中模型参数最少的ShuffleNetV20.5×为基准网络,?设计了一个基于高阶残差和注意力机制的轻量型作物害虫识别模型(HOR-Shuffle-CANet).?其中,?前期的高阶残差可以为后面的网络层提供丰富的害虫特征,?有效提高模型的识别准确率;?坐标注意力(coordinate?attention,?CA)机制能够进一步抑制背景噪声和对作物害虫重点信息的关注,?有效增强模型的鲁棒性;?带标签平滑正则化(label?smoothing?regularization,?LSR)的双稳态逻辑损失函数可以解决训练含噪数据集时逻辑损失函数的两个缺点,?使得模型对噪声的适应能力更强.?试验结果表明,HOR-Shuffle-CANet模型在自然场景中10类常见作物害虫图像的测试数据集上达到了91.22％的识别准确率,?较基准网络提升了3.54个百分点.?在保持轻量化计算的基础上,?其识别准确率也高于现有的经典卷积神经网络AlexNet、VGG-16、GoogLeNet、Xception、ResNet-34和轻量级网络模型MobileNetV3-Small、EfficientNet-B0等.?该模型具有识别准确率高、鲁棒性强和抗干扰性能好等特点,?能够很好地适应作物害虫识别的实际应用需求.