LiSA-MobileNetV2:一个具有Swish激活和注意力机制的极轻型深度学习模型,用于准确的病分类
Yongqi Xu1, Dongcheng Li1, Changcheng Li1
1Hunan Engineering and Technology Research Center for Agricultural Big Data Analysis & Decision-making, Hunan Agricultural University, Changsha, China.
Frontiers in plant science
|August 27, 2025
概括
一种名为LiSA-MobileNetV2的新模式, 这种轻量级的卷积神经网络 (CNN) 提高了准确性,同时减少了有效的作物监测计算资源.
科学领域:
- 农业科学
- 计算机视觉
- 人工智能
背景情况:
- 智能农业需要准确的农作物疾病识别以确保粮食安全.
- 轻量级卷积神经网络 (CNN) 是有效的,但通常缺乏用于植物疾病识别的特征表示.
研究的目的:
- 开发一个基于MobileNetV2的改进模型,以准确有效地分类水疾病.
- 为了增强智能农业应用的轻量级CNN的特征表示和分类准确性.
主要方法:
- 为了简化网络,重组了MobileNetV2的倒置剩余模块.
- 整合了Swish激活功能以改善非线性特征的学习.
- 整合了挤压和激发注意力机制以增强特征表示.
主要成果:
- LiSA-MobileNetV2的测试准确率达到了95.68%,比原来的MobileNetV2提高了5.77%.
- 该模型显示参数大小 (74.69%) 和FLOP (48.18%) 显著减少.
- 结构简化,Swish激活和注意力机制共同提高了CNN的表现.
结论:
- LiSA-MobileNetV2提供了一个高精度,资源高效的解决方案,用于实时检测水疾病.
- 拟议的模型显著提高了智能农业系统的CNN性能.
- 这种方法验证了结合建筑改进和注意机制的有效性.
