基于轻量化卷积神经网络的油茶病害识别

[目的]针对自然环境下油茶叶部病害图像识别准确率不高等问题,提出基于轻量化卷积神经网络ShuffleNet V2改进的多尺度油茶病害识别模型COLDR-Net(Camellia oleifera leaf disease recognition net).[方法]通过嵌入高效注意力模块ECA(efficient channel attention)来增强图像中病斑特征信息.设计了一种多尺度特征提取单元MFE(multi-scale feature extraction)提升对细微病斑的识别能力.引入焦点损失(focal loss)函数替换交叉熵损失函数,缓解了样本类别分布不均衡导致模型对不同类别病害识别效果差异大的问题.采用Mish激活函数,避免了输入为负时产生的梯度消失问题,提升模型的表达能力.通过修剪网络层数及调整输出通道数优化网络结构,降低了模型的运算量和参数量,实现了模型的轻量化.[结果]该模型在油茶病害数据集上准确率和F1 分数分别为 97.19%和 97.08%,相比于AlexNet(93.04%)、VGG16(94.18%)、ResNet18(94.5%)、ResNet50(95.45%)以及MobileNetV3-Large(93.41%)准确率均有提升,较改进前的模型提高了4.07%.模型参数量为2.61 M,FLOPs为0.24 G,移动端单张图像平均推理时间为67 ms.将模型部署在移动端Android平台开发了油茶病害识别系统.[结论]COLDR-Net模型能够有效满足油茶病害的实时识别需求,可为油茶病害防治和诊断及在移动终端等资源受限设备上应用提供参考.