基于改进ShuffleNetV2的轻量化饲料原料种类识别模型

摘要

针对目前配合饲料加工过程中生产饲料原料入仓环节人工识别粉碎程度、颜色和形状相近的入仓原料时存在种类识别困难的问题，基于轻量化卷积神经网络模型ShuffleNetV2，提出一种识别精度更高、计算复杂度更小且适用于饲料原料图像种类识别的ShuffleNetV2-EH轻量化模型。首先在ShuffleNetV2网络模型结构中引入注意力机制ECA(efficient channel attention)，根据输入自适应调整通道权重，提升网络模型对饲料原料图像重要特征的感知能力；其次将ReLU替换为HardSwish激活函数，在不增加额外的权重和偏置参数的前提下，提升模型的识别准确率；最后在保证模型识别精度的基础上，对ShuffleNetV2网络模型结构进行调整，减少模型的参数量以及计算量。结果显示，ShuffleNetV2-EH模型在8种饲料原料图像测试集上的识别准确率为99.13%，与原ShuffleNetV2模型相比提升1.38百分点，其精确率、召回率和F1分数分别提升1.45、1.63和1.62百分点，模型参数量和浮点运算量较之前分别减少352 092个和45.27×106；且综合性能优于经典卷积神经网络模型AlexNet、VggNet16、GoogLeNet和ResNet18。结果表明，改进后的ShuffleNetV2模型较好地平衡了模型的计算复杂度和识别精度，为入仓环节的饲料原料在线识别提供了算法基础。

关键词

饲料原料 / 种类识别 / 轻量化模型 / ShuffleNetV2 / 注意力机制