基于渐进式生成对抗网络的农作物病虫害细粒度分类
邓昀1, 2,冯琦尧1, 2,牛照文1, 2,康燕萍1, 2
(1. 桂林理工大学信息科学与工程学院,广西桂林,541004;
2. 广西嵌入式技术与智能系统重点实验室,广西桂林,541004)
摘要:随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。
关键词:农作物病虫害;渐进式生成对抗网络;卷积注意力模块;细粒度分类
文章来源:《中国农机化学报》