基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类.选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能.试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8％,增加批归一化处理后模型在测试集的准确率达到86.0％,参数量只有7.31×105,相对于改进前参数量仅增加0.8％,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8％,准确率提高0.8个百分点,参数量下降至2.46×105,模型参数量减小66.3％,运算量下降60.4％;引入注意力机制后的模型测试集分类准确率达到90.5％,提升3.7个百分点,而参数量仅增加1.23×105,运算量仅增加2×106.进一步将改进后的模型与经典模型AlexNet、ResNet18以及轻量级网络MobilenetV3_Small、ShuffleNetv2对比,结果表明对多品种茶树叶片的分类中,改进模型的综合表现最优.