华中农业大学学报

作者：孙道宗，刘锦源，丁郑，刘欢，彭家骏，谢家兴，王卫星

单位：1.华南农业大学电子工程学院(人工智能学院),广州 510642;2.广东省农情信息监测工程技术研究中心,广州 510642

关键词：图像识别;南药叶片;种类识别;卷积神经网络;改进EfficientNetv2网络;超参数优化

基金：广东省现代农业关键技术模式集成与示范推广项目（粤财农【2021】37号-200011）；国家自然科学基金项目（31671591；31971797）；广州市科技计划项目（202002030245）；广东省科技专项（2020020103）；广东省现代农业产业技术体系创新团队建设专项（2021KJ108）；广东省教育厅特色创新类项目（2019KTSCX013）；2020年广东省科技创新战略专项（pdjh2020a0084）；广东省大学生创新创业项目（S202010564150；202110564042

为提高南药叶片的分类和分拣效率，本研究对 EfficientNetv2网络模型进行改进，引入迁移学习机制训练模型，选取自适应矩估计优化算法，通过多次测试进行超参数优化，确定学习率；采用MultiMarginLoss损失函数改善复杂背景信息对识别效果的影响。应用改进后的EfficientNetv2模型与其他轻量级模型对实地采集的复杂背景下的8种南药叶片进行分类效果对比试验，试验结果显示，改进模型对复杂背景下的南药叶片图像样本识别准确率为99.12%，相较于初始模型EfficientNetv2-S，准确率提高1.17%，并且参数量和模型大小均下降约85%，平均训练时间下降47.62%。与DenseNet121、ShuffleNet和RegNet等模型相比，改进模型在模型存储空间大小、准确率和训练时间3个指标上有明显优势。研究结果表明，在多品种南药叶片分类任务中，改进模型取得优良表现，模型的轻量化程度和性能得到进一步的提升。

来源：2023年第1期

《华中农业大学学报》期刊编辑部

查看华中农业大学学报杂志2023年第1期