基于DCP-ShuffleNetV2的轻量级森林害虫识别方法

高天赐1,2 王克俭1,2 陈晨1,2 韩宪忠1,2 王超1,2 李会平2,3

1.河北农业大学信息科学与技术学院 2.河北省城市森林健康技术创新中心 3.河北农业大学林学院

摘要： 针对现有害虫识别模型复杂度高、计算量和参数量巨大的问题，提出一种基于DCP-ShuffleNetV2的轻量级森林害虫识别模型。该模型主要从特征提取、特征融合、轻量化方面进行改进。首先通过引入金字塔分割注意力模块PSA提取多尺度的空间信息和跨通道依赖关系，有效地学习上下文信息；其次将基准网络模型ShuffleNetV2的Stage模块修改为CSP结构，增强特征融合能力；将模型的普通卷积替换为动态卷积，压缩模型参数量和计算量。试验以雄安新区“千年秀林”害虫为研究对象，构建30类常见害虫数据集。结果表明，改进后的DCP-ShuffleNetV2模型在自制的Forest30数据集上的害虫识别准确率是92.43%,模型参数量、计算量和内存大小分别是0.13 M、24.53 M和9.53 MB,相比于基准网络模型，识别准确率提升3.11%,参数量、计算量和内存大小分别减少62.83%、42.48%和15.13%。与目前常用的分类模型相比，识别准确率平均提高5.39%,模型参数量、计算量和内存大小平均减小14.32 M、1 035.80 M和35.98 MB。

关键词：害虫识别；DCP-ShuffleNetV2；注意力机制；CSP结构；特征提取

基金资助： 国家自然科学基金项目(32171799)； 河北省林业和草原局科学计划项目(2001023)

文章来源：《中国农机化学报》