基于优化MobileViT模型的轻量化田间杂草识别

摘要

针对农业环境中杂草与作物幼苗的识别挑战，提出一种基于优化MobileViT模型的轻量化识别方法。首先引入SimAM注意力机制，增强模型对特征的注意力能力，使用SCConv卷积模块减少卷积神经网络中特征的空间和通道冗余来降低计算成本和模型存储，同时提高卷积模块性能；提出联合使用Label Smoothing Loss和Cross Entropy Loss的损失函数策略，提升模型的泛化性能，降低过拟合风险，并加速模型的收敛过程。选取12种田间常见作物幼苗与杂草图像作为训练数据集评估改进模型MobileViT-SS的性能，结果显示，改进模型的平均识别准确率、精确度、召回率、F₁分数分别达到95.91%、95.97%、95.46%、95.69%，均优于当前广泛使用的深度神经网络模型VGG-16、ResNet-18和MobileNetv3。结果表明，改进模型MobileViT-SS能够精准、快速区分多种形态相似的杂草与作物幼苗。

关键词

作物幼苗 / 杂草识别 / 智能农业 / MobileViT / 轻量化 / SimAM注意力