结合改进CBAM和MobileNetV2算法对小麦病斑粒分类

摘要

[目的]小麦病斑粒智能检测对于高效、快速、准确评估麦粒的品级有重要意义。现有小麦病斑粒分类的深度神经网络存在参数数量大、运算复杂等缺点，不便于在移动端部署模型，影响了小麦病斑粒现场分类的效率。本文提出了一种用于小麦病斑粒分类的轻量级神经网络算法。[方法]本研究在轻量化网络MobileNetV2的基础上进行改进，加入改进的CBAM(convolutional block attention module)注意力机制，对改进的模型全整型量化后在边缘计算设备上部署。利用该模型对4种小麦籽粒(赤霉病粒、腥黑穗病粒、破损粒和正常粒)分类。[结果]相比于改进前的MobileNetV2网络，结合改进的注意力机制和MobileNetV2网络在准确率、精准率、召回率上分别提升3.15%、3%和3%;全整型量化后的改进模型对小麦赤霉病粒、腥黑穗病粒、破损粒和正常粒的识别准确率分别达到99%、94%、99%和96%。该模型大小仅有2.36 MB,在边缘计算设备的单次推理时间仅为96.95 ms。[结论]本文改进后的算法模型的准确率提升、大小减少、推理速度加快，可为小麦病斑粒分类模型去冗余提供指导。

关键词

小麦病斑粒 / 注意力机制 / 轻量级神经网络 / 全整型量化