基于轻量化CBAM—GoogLeNet的辣椒病虫害识别

来源：中国农机化学报杂志2025年第2期北京时间：

作者：戴敏, 孙文靖, 缪宏

摘要：针对GoogLeNet模型在自然环境下进行辣椒叶片病虫害识别时存在网络参数多、模型内存大以及训练时间长的问题，提出一种融合CBAM机制的轻量化GoogLeNet模型(CBAM—GoogLeNet)。采用CBAM注意力机制替换Inception(4b)和Inception(4c)模块，将该注意力机制插入到平均池化层之后，在全连接层中添加L2正则化，达到减小训练模型和缩短训练时长的目的，同时保证网络模型的高准确率和验证率，并结合MATLAB平台设计一款可视化的辣椒病虫害识别系统。结果表明，CBAM—GoogLeNet的模型大小相比AlexNet、VGG16、VGG19和GoogLeNet分别缩小91.2%、96.2%、96.3%和15.0%，训练时长分别减少12.7%、26.5%、62.2%和8.8%，此外，该模型的识别准确率达到99.5%，验证准确率达到97.3%，实现模型轻量化和快速精准识别的目标。为辣椒及时防治、减少损失提供一种有效的技术支持。

关键词：辣椒病虫害,精准识别,轻量化模型,注意力机制,深度学习

基金资助：江苏省科技项目——现代农业重点及面上项目(BE2023330)；江苏省农业科技自主创新资金项目(CX(22)3117)