关键词:
小麦条锈病
小麦叶锈病
病害识别
轻量级卷积神经网络
Molile-DMSANet
摘要:
人工诊断小麦锈病成本高、效率低,已无法满足现代农业生产的需要。本文提出了一种轻量级密集多尺度注意力网络模型(Mobile-Dense multi-scale attention net,Mobile-DMSANet),用于自动识别田间自然场景中的小麦叶部锈病(条锈病和叶锈病)。该模型在输入层设计了一个快速下采样模块(Fast subsampling block,FSB),它在不增加计算成本的前提下提高模型的特征表达能力。模型的特征提取层使用3个轻量级特征提取模块(Dense multiscale attention,DMS A)来提取小麦叶部锈病的特征。DMS A模块设计了一个多尺度的3路卷积层(Multi-scale threeway convolution,MSTC)用于获得不同尺度感受野,以提高模型的表达能力和对不同尺寸锈病的感知能力。DMSA模块中6个MSTC层通过密集连接实现特征重用,不仅大大减少了模型的参数量,而且提高了对这两种相似的小麦叶部锈病的特征提取能力。在DMSA模块中还引入了协调注意力机制(Coordinated attention,CA),来提高对病害信息的敏感性,并抑制图像中的背景信息。模型的输出层使用Softmax函数实现小麦叶部锈病识别。结果表明,Mobile-DMSANet模型在测试数据集上的识别准确率为96.4%,高于经典CNN模型(如ResNet50、AlexNet)和轻量级CNN模型(如ShufflenetV2、DenseNet系列)。Mobile-DMSANet参数量为4.54×10^(5),与其他轻量级模型相比大幅下降。本文所设计模型可用于移动端小麦叶部锈病的自动识别。