基于轻量级残差网络的植物叶片病害识别

针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多、计算量大且复杂的问题,结合植物叶片病害特征,提出了一种基于轻量级残差网络(Scale-Down ResNet)的植物叶片病害识别方法.网络基于Residual Network(ResNet),通过缩减网络卷积核数目和轻量级残差模块(SD-BLOCK),在大幅减少网络参数、降低计算复杂度的同时保持了低识别错误率,然后加入Squeeze-and-Excitation模块进一步降低识别错误率.在PlantVillage数据集上的实验表明,在网络参数量8×104,计算量MFLOPs为55的情况下,模型识别错误率为0.55％.当参数量达到2.8×105,计算量MFLOPs为176时,模型识别错误率为0.32％,低于ResNet-18,并且参数量约为其1/39,计算量约为其1/10.相比MobileNet V3和ShuffleNet V2,所提网络模型更为轻量,识别错误率更低.同时网络在自建苹果叶片病害数据集上获得了 1.52％的低识别错误率.