文献类型： 中文期刊

作者： 吴鸿飞 ¹ ; 刘万学 ² ; 冼晓青 ² ; 赵梦欣 ² ; 姚青 ¹ ;

作者机构： 1.浙江理工大学计算机科学与技术学院

2.中国农业科学院植物保护研究所

关键词： 外来入侵植物;智能识别;通道剪枝;知识蒸馏;注意力机制;MobileNet

期刊名称： 植物保护

ISSN： 0529-1542

年卷期： 2024 年 001 期

页码： 85-96

收录情况： 北大核心 ; CSCD

摘要： 外来入侵植物防治的首要任务是准确识别入侵植物种类，然而外来入侵植物种类繁多，存在类间同质和类内异质现象，给技术人员甄别与防治外来入侵植物带来了挑战。为了准确、实时和高效地识别外来入侵植物，本文提出基于改进MobileNet的轻量级外来入侵植物图像识别模型（MobileNet-LW）。以专业人员鉴定得到的113种11 628幅外来入侵植物图像作为研究对象，并按照6∶2∶2的比例划分训练集、验证集和测试集。通过Retinex、旋转和高斯噪声等方法对图像进行数据增强。为了减少类间同质现象对模型误检的影响，在模型MobileNet基础上添加了SE通道注意力机制和深度连接注意力网络，提高网络对关键特征的提取能力。为了降低模型计算消耗和内存消耗，采用通道剪枝方法对网络瘦身；为了弥补剪枝后造成模型准确率降低，采用教师网络-助教网络-学生网络的形式对剪枝后的网络进行知识蒸馏，学生网络通过软知识的学习来提高识别外来入侵植物的准确率。通过消融试验测试模型的性能，利用平均准确率、平均召回率和平均F1值3个评价指标，对现阶段经典模型与改进后模型MobileNet-LW所获得的识别结果进行评价。消融试验结果显示，在相同数据集条件下，所有改进点对模型的性能都有所提升，且改进后算法在外来入侵植物图像识别中准确率提高了5.4百分点，模型参数量减少了约53%;模型对比试验表明，EfficentNet、DBTNet、ResNet-101、ConvNext和MobileNet-LW 5个模型平均准确率分别为72.3%、74.9%、76.1%、79.7%和86.1%,表明改进后的网络提高了外来入侵植物的识别准确率。基于改进MobileNet的轻量级外来入侵植物识别模型对113种外来入侵植物识别具有较高的准确率，且模型具有轻量化特点。