基于改进ShuffleNet V2的轻量化农作物害虫识别模型

来源：农业工程学报杂志2022年第11期北京时间：

作者：彭红星,徐慧明,刘华鼐,

摘要：及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题，提出基于改进ShuffleNet V2的农作物害虫识别模型。首先，在ShuffleNet V2中引入多尺度特征融合模块LMFF（Lightweight Multi-scale Feature Fusion），加强模型对不同尺度害虫的特征提取能力；其次，在ECA（Efficient Channel Attention）注意力机制中增加并行路径，并通过可学习参数自适应更新不同路径的权重，提出AECA（Adaptive and Efficient Channel Attention）注意力机制，将AECA注意力机制嵌入到ShuffleNet V2中，提高模型的跨通道交互能力；然后，使用SiLU（Sigmoid Weighted Liner Unit）替换ReLU激活函数，增强模型的泛化能力；最后，通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构，降低模型的计算量和参数量，从而提出轻量化的农作物害虫识别模型SNPF（ShuffleNet for Pest Field）。试验结果表明，SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%，较改进前分别提高了4.00个百分点和3.09个百分点，而参数量和浮点运算量为3.74 M和0.48 G，较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms，与ResNet 50、GoogLeNet、EfficientNet B1等模型相比，SNPF模型的识别精度更高，并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点，可以为农作物害虫的防治提供帮助。

关键词：农作物, 害虫识别, ShuffleNet V2, 多尺度特征融合, ECA注意力机制, 轻量化模型