基于MICS-CoTNet的黑木耳品质分类方法

针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法.该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型.首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2 模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力.将MICS-CoTNet模型与EfficientNetV2、NfNet等 12 种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳.其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达 98.45％,相较标准CoTNet提升 5.22 个百分点;在鲜黑木耳数据中识别准确率可达 98.89％,相较标准CoTNet提升 2.60 个百分点.MICS-CoTNet模型占用内存为 30.98M,相对于原CoTNet模型减少96.57M.将MICS-CoTNet模型部署到Jetson TX2 NX中,实时推理速度为18 帧/s.该研究提出的MICS-CoTNet黑木耳品质分类模型识别准确率高,运算速度快,为黑木耳实时品质分级的实际应用提供了理论基础及技术支持.