农业机械学报

作者：李书琴，陈聪，朱彤，刘斌

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：植物叶片;病害识别;ResNet;Squeeze-and-Excitation network;轻量级网络

基金：国家重点研发计划项目（2020YFD1100601）、陕西省重点研发计划项目（2021NY-138）和中央高校基本科研业务专项资金项目

针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多、计算量大且复杂的问题，结合植物叶片病害特征，提出了一种基于轻量级残差网络（Scale-Down ResNet）的植物叶片病害识别方法。网络基于Residual Network（ResNet），通过缩减网络卷积核数目和轻量级残差模块（SD-BLOCK），在大幅减少网络参数、降低计算复杂度的同时保持了低识别错误率，然后加入Squeeze-and-Excitation模块进一步降低识别错误率。在PlantVillage数据集上的实验表明，在网络参数量8×104，计算量MFLOPs为55的情况下，模型识别错误率为0.55%。当参数量达到2.8×105，计算量MFLOPs为176时，模型识别错误率为0.32%，低于ResNet-18，并且参数量约为其1/39，计算量约为其1/10。相比MobileNet V3和ShuffleNet V2，所提网络模型更为轻量，识别错误率更低。同时网络在自建苹果叶片病害数据集上获得了1.52%的低识别错误率。

来源：2022年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2022年第3期