基于改进ShuffleNet V2 的柑橘病害识别研究

doi:10.15933/j.cnki.1004-3268.2024.01.016

摘要/Abstract

摘要： 大型卷积神经网络因模型复杂难以部署于实际应用，而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题，对ShuffleNet V2进行改进，提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先，在ShuffleNet V2中引入混合注意力模块（Mixed attention module，MAM），提升模型对病害特征提取能力。其次，利用Ghost模块优化网络中卷积层，有效降低网络模型参数量和计算成本。最后，调整网络结构中ShuffleNet V2单元堆叠次数，进一步简化网络参数。结果表明，在自建柑橘叶片数据集中，MAM-ShuffleNet模型平均识别准确率达到97.7%；与原始ShuffleNet V2相比，其参数量降低了45.7%，识别准确率提升了1.2百分点；综合性能明显优于ResNet50、DenseNet121等模型。

关键词: 柑橘病害, 图像识别, ShuffleNet V2, 深度学习, 注意力机制

Abstract: Large convolutional neural networks are difficult to deploy in practical applications because of the complexity of models，while lightweight networks are often less accurate than the former because of the optimization of model structure. To solve these problems，ShuffleNet V2 was improved and a lightweight MAM‑ShuffleNet citrus disease recognition model was proposed. Firstly，the mixed attention module（MAM）was introduced in ShuffleNet V2 to improve the ability of the model to extract disease features. Secondly，Ghost module was used to optimize the convolutional layer in the network，which effectively reduced the number of network model parameters and calculation cost. Finally，the stacking times of ShuffleNet V2 unit in the network structure were adjusted to further simplify the network parameters. The results showed that the average recognition accuracy of MAM‑ShuffleNet model reached 97.7% in the self‑built citrus leaf data. Compared with the original ShuffleNet V2，the number of parameters was reduced by 45.7%，and the recognition accuracy was increased by 1.2 percentage points.The comprehensive performance was better than ResNet50 and DenseNet121 models.

Key words: Citrus disease, Image recognition, ShuffleNet V2, Deep learning, Attention mechanism

中图分类号:

S126
S666

于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰. 基于改进ShuffleNet V2 的柑橘病害识别研究[J]. 河南农业科学, 2024, 53(1): 142-151.

YU Yannan, MO Yongbin, YAN Jichi, XIONG Chunlin, DOU Shiqing, YANG Rongfeng. Identification of Citrus Diseases Based on Improved ShuffleNet V2[J]. Journal of Henan Agricultural Sciences, 2024, 53(1): 142-151.

参考文献

［1］莫星煜，毛玲莉，王梓，等. 国内外柑橘产业发展现状综述［J］. 农村实用技术，2021（2）：9‑10.
MO X Y，MAO L L，WANG Z，et al. Summary of citrus industry development at home and abroad［J］. Rural Practical Technology，2021（2）：9‑10.
［2］ LI S T，SONG W W，FANG L Y，et al. Deep learning for hyperspectral image classification：An overview［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（9）：6690‑6709.
［3］ YOUNG T，HAZARIKA D，PORIA S，et al. Recent trends in deep learning based natural language processing ［J］. IEEE Computational Intelligence Magazine，2018，13（3）：55‑75.
［4］ BOU NASSIF A，SHAHIN I，ATTILI I，et al. Speech recognition using deep neural networks：A systematic review［J］. IEEE Access，2885，7：19143‑19165.
［5］ JANIESCH C，ZSCHECH P，HEINRICH K. Machine learning and deep learning［J］. Electronic Markets，2021，31（3）：685‑695.
［6］ LECUN Y，BENGIO Y，HINTON G. Deep learning［J］.Nature，2015，521（7553）：436‑444.
［7］徐艳蕾，孔朔琳，陈清源，等. 基于Transformer的强泛化苹果叶片病害识别模型［J］. 农业工程学报，2022，38（16）：198‑206.
XU Y L，KONG S L，CHEN Q Y，et al. Model for identifying strong generalization apple leaf disease using Transformer［J］. Transactions of the Chinese Society ofAgricultural Engineering，2022，38（16）：198‑206.
［8］彭红星，何慧君，高宗梅，等. 基于改进ShuffleNetV2模型的荔枝病虫害识别方法［J］. 农业机械学报，2022，53（12）：290‑300.
PENG H X，HE H J，GAO Z M，et al. Litchi diseases and insect pests identification method based on improved ShuffleNetV2［J］. Transactions of the Chinese Society for Agricultural Machinery，2022，53（12）：290‑300.
［9］王焕鑫，沈志豪，刘泉，等. 基于改进MobileNetV2模型的农作物叶片病害识别研究［J］. 河南农业科学，2023，
52（4）：143‑151.
WANG H X，SHEN Z H，LIU Q，et al. Identification of crop leaf diseases based on improved MobileNetV2 model
［J］. Journal of Henan Agricultural Sciences，2023，52（4）：143‑151.
［10］蒋权，罗明涛，黄梓琛，等. 基于空地多视角RGB影像协同的病害香蕉植株监测［J/OL］. 南方农业学报，2023：1‑13（2023‑10‑17）. https：//kns. cnki. net/kcms/detail/45. 1381. s. 20231012. 1620. 002. html.
JIANG Q，LUO M T，HUANG Z C，et al. Monitoring of diseased banana plantlets based on collaborative RGB
images from air‑ground multiview［J/OL］. Journal of Southern Agriculture，2023：1‑13（2023‑10‑17）. https：// kns.cnki.net/kcms/detail/45.1381.s.20231012.1620.002.html.
［11］李伟豪，詹炜，周婉，等. 轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用［J］. 河南农业科学，2023，52（5）：162‑169.
LI W H，ZHAN W，ZHOU W，et al. Research andapplication of lightweight Yolov7‑TSA network in tea disease detection and identification［J］. Journal of Henan Agricultural Sciences，2023，52（5）：162‑169.
［12］陈聪，于啸，宫琪. 基于改进残差网络的苹果叶片病害识别研究［J］. 河南农业科学，2023，52（4）：152‑161.
CHEN C，YU X，GONG Q. Apple leaf diseasesidentification based on improved residual network［J］.Journal of Henan Agricultural Sciences，2023，52（4）：152‑161.
［13］刘合兵，鲁笛，席磊. 基于MobileNetV2和迁移学习的玉米病害识别研究［J］. 河南农业大学学报，2022，56（6）：1041‑1051.
LIU H B，LU D，XI L. The research of maize disease identification based on MobileNetV2 and transfer learning［J］. Journal of Henan Agricultural University，2022，56（6）：1041‑1051.
［14］黄平，闭吕庆，莫燕斌，等. 基于多尺度特征融合的柑橘病虫害图像识别方法［J］. 无线电工程，2022，52（3）：407‑416.
HUANG P，BI L Q，MO Y B，et al. Image recognition method of citrus diseases and pests based on multi‑scale feature fusion［J］. Radio Engineering，2022，52（3）：407‑416.
［15］帖军，罗均，郑禄，等. 基于改进残差网络的柑橘病害识别［J］. 中南民族大学学报（自然科学版），2021，40
（6）：621‑630.
TIE J，LUO J，ZHENG L，et al. Citrus disease recognition based on improved residual network［J］.Journal of South‑Central University for Nationalities（Natural Science Edition），2021，40（6）：621‑630.
［16］鲍文霞，黄雪峰，胡根生，等. 基于改进卷积神经网络模型的玉米叶部病害识别（英文）［J］. 农业工程学报，2021，37（6）：160‑167.
BAO W X，HUANG X F，HU G S，et al. Identification of maize leaf diseases using improved convolutional neural network［J］. Transactions of the Chinese Society of Agricultural Engineering，2021，37（6）：160‑167.
［17］ XING S L，LEE M，LEE K K. Citrus pests and diseases recognition model using weakly dense connected convolution network［J］. Sensors，2019，19（14）：3195.
［18］洪惠群，黄风华. 基于轻量级神经网络的农作物病害识别算法［J］. 沈阳农业大学学报，2021，52（2）：239‑245.
HONG H Q，HUANG F H. Recognition algorithm for crop disease based on lightweight neural network［J］.Journal of Shenyang Agricultural University，2021，52（2）：239‑245.
［19］ ZHANG X Y，ZHOU X Y，LIN M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，USA：IEEE，2018：6848‑6856.
［20］ MA N N，ZHANG X Y，ZHENG H T，et al. ShuffleNet V2：Practical guidelines for efficient CNN architecture design［C］//Proceedings of the European Conference on Computer Vision. Munich，Germany：ECCV，2018：116‑131.
［21］ HAN K，WANG Y H，TIAN Q，et al. GhostNet：more features from cheap operations［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Seattle，WA，USA：IEEE，2020：1577‑1586.
［22］ WANG Q L，WU B G，ZHU P F，et al. ECA‑net：Efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Seattle，WA，USA：IEEE，2020：11531‑11539.
［23］ FU J L，ZHENG H L，MEI T. Look closer to see better：Recurrent attention convolutional neural network forfine‑grained image recognition ［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Honolulu，HI，USA：IEEE，2017：4476‑4484.
［24］ WOO S，PARK J，LEE J，et al. CMAM：convolutional block attention module ［C］//Proceedings of the European Conference on Computer Vision（ECCV）.Munich，Germany：ECCV，2018：3‑19.
［25］ HE T，ZHANG Z，ZHANG H，et al. Bag of tricks for image classification with convolutional neural networks ［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Long Beach，CA，USA：IEEE，2019：558‑567.
［26］ ABBAS A，JAIN S，GOUR M，et al. Tomato plant disease detection using transfer learning with C‑GAN synthetic images［J］. Computers and Electronics in Agriculture，2021，187：106279.

[1]	李东亚, 白涛, 香慧敏, 戴硕, 王震鲁, 陈珍. 基于RoBERTa 多特征融合的棉花病虫害命名实体识别[J]. 河南农业科学, 2024, 53(2): 152-161.
[2]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[3]	王焕鑫, 沈志豪, 刘泉, 刘金江. 基于改进MobileNetV2 模型的农作物叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 143-151.
[4]	陈聪, 于啸, 宫琪. 基于改进残差网络的苹果叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 152-161.
[5]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[6]	臧贺藏, 王从胜, 赵巧丽, 赵晴, 张杰, 李国强, 郑国清. 基于深度学习的小麦倒伏自动分类方法研究[J]. 河南农业科学, 2023, 52(11): 167-173.
[7]	吕宗旺, 王玉琦, 孙福艳. 基于改进U-Net 的不同容重小麦籽粒识别检测[J]. 河南农业科学, 2023, 52(10): 141-152.
[8]	杨文庆, 刘天霞, 唐兴萍, 徐国富, 马喆, 杨贺凯, 吴文斗. 智慧农业背景下的植物表型组学研究进展[J]. 河南农业科学, 2022, 51(7): 1-12.
[9]	刁智华, 闫娇楠, 赵素娜, 贺振东. 基于图像处理的作物行识别算法研究进展[J]. 河南农业科学, 2022, 51(3): 12-19.
[10]	刘江鹏, 牛群峰, 靳毅, 陈霞, 王莉, 袁强. 基于高效通道注意力机制与多尺度特征融合的烟丝图像识别方法研究[J]. 河南农业科学, 2022, 51(11): 145-154.
[11]	王川, 赵恒滨, 李国强, 张建涛, 高桐梅, 赵巧丽, 郑国清. 基于改进YOLOX模型的芝麻蒴果检测方法研究[J]. 河南农业科学, 2022, 51(11): 155-162.
[12]	赵晨, 赵浩斌, 路晓崇, 张晓阳, 白涛, 毛岚, 宋朝鹏, 王涛. 基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法[J]. 河南农业科学, 2022, 51(10): 161-168.
[13]	董燕, 李环宇, 李卫杰, 李春雷, 刘洲峰. 基于联合剪枝深度模型压缩的种子分选方法研究[J]. 河南农业科学, 2022, 51(1): 162-170.
[14]	马茵驰, 韦惟, 周超. 基于摄食状态图像识别技术的锦鲤产量估算方法研究[J]. 河南农业科学, 2021, 50(5): 149-156.
[15]	冯晓, 李丹丹, 王文君, 郑国清, 刘海礁, 孙永胜, 梁山, 杨莹, 臧贺藏, 张辉. 基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别[J]. 河南农业科学, 2021, 50(4): 174-180.