基于多尺度注意力的轻量级小麦病害识别网络

摘要

针对小麦病害识别中存在特征提取尺度单一及模型参数量大的问题，本文以MobileNet V2为基准模型提出一种基于多尺度注意力的轻量级小麦病害识别网络WDMNet，对常见的6种小麦病害进行识别。首先，使用多尺度卷积替换首层的3×3卷积，以捕捉小麦病害图像在不同尺度下的细节信息（如纹理、边缘等）；其次，结合多尺度注意力机制，通过添加门控通道变换、多层感知机和多尺度模块等方法，动态调整通道权重，对不同感受野的特征进行注意力加权，在保留多尺度卷积提取局部细节的同时，增强对小麦病害关键特征（如发病部位、病斑的形态与颜色等信息）的提取能力；最后，为进一步降低模型复杂度，使用LAMP模型剪枝方法减少模型参数，以便模型可部署至便携式或移动设备上。实验结果表明，与基准模型相比，WDMNet的准确率提高了2.06%，参数量减少了47%，模型存储空间下降了15%。此外，本研究基于Django框架开发了一个小麦病害在线识别平台，为现实场景下小麦病害的快速、准确识别提供了一种有效的解决方案。

关键词

图像分类 / 卷积神经网络 / 小麦病害识别 / 注意力机制 / 多尺度特征