摘 要：【目的】為實現(xiàn)在移動端對胡麻干旱脅迫實時監(jiān)測，解決傳統(tǒng)機器學(xué)習(xí)方法在識別分類時準確率低、速度慢的問題，本研究提出一種基于改進ResNet18的胡麻干旱脅迫分類識別方法。【方法】首先在網(wǎng)絡(luò)中添加卷積塊注意力（CBAM）模塊，強化網(wǎng)絡(luò)對脅迫特征的提取能力；其次調(diào)整殘差塊中批標準層、激活函數(shù)、卷積塊的連接順序，實現(xiàn)對輸入的樣本數(shù)據(jù)進行歸一化操作；最后將ReLU激活函數(shù)替換成LeakyReLU激活函數(shù)，避免出現(xiàn)神經(jīng)死亡現(xiàn)象。試驗分為無脅迫、輕度干旱、重度干旱3個水分脅迫處理，分批次采集不同干旱程度胡麻葉片圖像，數(shù)據(jù)樣本按3：1分為訓(xùn)練集與測試集，并使用數(shù)據(jù)增強的方法增加樣本的多樣性。【結(jié)果】測試結(jié)果顯示，改進ResNet18模型分類準確率高達98.67%，相比于ResNet18和VGG16分別提高6.14和4.87個百分點，而模型所需參數(shù)大小僅為42.80MB，單幅圖像推理時間為17.50ms。【結(jié)論】該文模型對胡麻干旱脅迫具有更好的分類識別效果，能夠?qū)崿F(xiàn)嵌入式設(shè)備上胡麻干旱脅迫識別的實時性要求?？蔀楹楦珊当O(jiān)測、機械化生產(chǎn)等研究提供技術(shù)支持。
關(guān)鍵詞：胡麻干旱脅迫；圖像識別；ResNet18；遷移學(xué)習(xí)；深度學(xué)習(xí)
【研究意義】胡麻是我國北方種植的一種重要的經(jīng)濟作物，具有很多的功效，且用途廣泛[1]。既可以制作成品質(zhì)優(yōu)良的食用油，也可以增強人體免疫能力，降低血脂和血壓，還可以抑制癌細胞轉(zhuǎn)移，表現(xiàn)良好的抗癌效果,胡麻的保健功效已受到越來越多的學(xué)者和專家重視[2]。胡麻的生長發(fā)育對水分要求較高，適宜的水分能促進胡麻的產(chǎn)量和品質(zhì)。不同干旱脅迫水平對胡麻生長和產(chǎn)量有不同的影響。同時，不同干旱脅迫水平的胡麻需要不同的灌溉量[3]。因此，實現(xiàn)胡麻干旱脅迫的準確監(jiān)測，對于胡麻精準灌溉、確保胡麻高產(chǎn)具有重要意義?！厩叭搜芯窟M展】早期的干旱脅迫診斷方法是土壤水分檢測和農(nóng)業(yè)氣象預(yù)報等，這種
方法主要通過采集土壤含水量和分析氣象數(shù)據(jù)間接地對干旱進行監(jiān)測，該技術(shù)效率低下，且精度不高，不適合用于干旱脅迫下植物的早期鑒定。在干旱脅迫下，植株葉子會出現(xiàn)萎蔫、葉片表面變黃等表型特征[4]。因此，植株的表型特征可以直接監(jiān)測出干旱情況，基于表型特征對植株進行干旱脅迫識別和分類是快速、無損的方法[5]。傳統(tǒng)的機器學(xué)習(xí)方法主要提取植物的顏色、紋理等特征[6]，然后將其用作研究分析。莊碩[7]通過人工設(shè)計一組候選特征從顏色和紋理兩個角度，有效地表達玉米植株的表型信息，與兩階段分類模型相結(jié)合快速檢測出田間群體玉米的干旱脅迫狀態(tài)。Gutiérrez等[8]利用熱成像技術(shù)和機器學(xué)習(xí)模型，通過對成像分析來評估葡萄園的水分脅迫狀態(tài)。雖然傳統(tǒng)的機器學(xué)習(xí)在生物脅迫的識別中取得不錯的效果，但需要對采集的圖像進行分割和人工提取，人工提取到的特征也容易受環(huán)境影響，識別和分類的準確程度不高。與傳統(tǒng)的機器學(xué)習(xí)方法相比，深度學(xué)習(xí)處理技術(shù)提供自動特征提取和分析的優(yōu)點，在生物干旱脅迫識別中，具有更好的性能。采用卷積神經(jīng)網(wǎng)絡(luò)并借助已有的預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)是最常見的模型訓(xùn)練方法，在實際應(yīng)用的過程中取得較好效果，大大提高了識別的準確率，縮短了訓(xùn)練時間。鐘仁海等[9]在深度學(xué)習(xí)的玉米估產(chǎn)模型中嵌入注意力機制的長短期記憶神經(jīng)網(wǎng)絡(luò)對玉米生長過程時序特征進行提取,通過多任務(wù)學(xué)習(xí)方法對玉米產(chǎn)量進行估測，總體估產(chǎn)精度提升11%-19%,在氣象脅迫年份提升幅度更明顯(20%-23%)。趙奇慧等[10]通過MaskR-CNN網(wǎng)絡(luò)對番茄葉片進行實例分割，使用微調(diào)的DenseNet169模型對溫室番茄葉片水分脅迫程度進行識別分類。Chandel等[11]測試了AlexNet、GoogLeNet和InceptionV3模型，以確定玉米、秋葵、大豆的干旱脅迫，結(jié)果發(fā)現(xiàn)GoogLeNet的性能優(yōu)于其他模型。Alsharman等[12]使用改進的GoogleNet模型，對COVIDCT數(shù)據(jù)集的胸部CT冠狀病毒圖像進行識別?！颈狙芯壳腥朦c】基于深度學(xué)習(xí)的方法在圖像識別與分類過程中表現(xiàn)出良好的性能[13]，但其準確率和效率仍有待改進。【擬解決的關(guān)鍵問題】本文提出一種基于改進ResNet18的胡麻干旱識別與分類研究算法。首先引入卷積塊注意力模塊CBAM進行自適應(yīng)的特征細化[14]；其次通過修改ResNet18網(wǎng)絡(luò)結(jié)構(gòu)排列順序，提高網(wǎng)絡(luò)提取特征能力，最大程度降低了過擬合；最后將ReLU激活函數(shù)替換成LeakyReLU激活函數(shù)，解決神經(jīng)死亡問題，增強模型的魯棒性。以此來解決胡麻干旱脅迫識別分類時準確率低、速度慢的問題，為胡麻干旱脅迫的預(yù)防和監(jiān)測提供了一種自動化方案。
1胡麻圖像識別網(wǎng)絡(luò)模型構(gòu)建
1.1圖像數(shù)據(jù)采集
該試驗于2023年6-7月在甘肅省定西市農(nóng)科院西寨油料站（104°37'12"E，35°34'48"N）進行，拍攝胡麻開花期包括早上、中午、傍晚等不同時間段。胡麻的干旱狀態(tài)是逐漸發(fā)生的，通過控制施水量來控制胡麻的脅迫狀態(tài)。使用土壤濕度傳感器測量土壤相對含水量，設(shè)置3種不同干旱處理，分別為無脅迫即適宜水分（土壤相對含水量為75%~90%）、輕度脅迫（土壤相對含水量為60%~70%）和重度脅迫（土壤相對含水量為25%~35%）。不同干旱脅迫下胡麻葉片表型特征如表1所示。
表1 3種不同脅迫下葉片圖像的葉片特征
利用海康機器人開發(fā)的MV-CA004-10GM，分辨率720×540的工業(yè)相機，拍攝時間為上午8：00至下午18：00，選取三種干旱脅迫下的胡麻圖像各500張，試驗樣本總計1500張。圖像樣本示例如圖1所示。
圖1胡麻干旱脅迫圖像示例
1.2殘差網(wǎng)絡(luò)模型
ResNet是2016年由何凱明團隊提出的一種影響深遠的網(wǎng)絡(luò)模型，在ImageNet的分類比賽上將網(wǎng)絡(luò)深度直接提高到了152層，ImageNet的目標檢測以碾壓的優(yōu)勢成功奪得了當(dāng)年識別和目標檢測的冠軍，COCO數(shù)據(jù)集的目標檢測和圖像分割比賽上同樣碾壓奪冠，可以說ResNet的出現(xiàn)對深度神經(jīng)網(wǎng)絡(luò)來說具有重大的歷史意義。與傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)相比，ResNet增加了“短路”連接(shortcutconnection)或稱為跳躍連接(skipconnection)，如圖2所示：
圖2殘差塊結(jié)構(gòu)
ResNet添加了一個短路連接到第二層線性整流函數(shù)(ReLU)之前，那么線性整流函數(shù)的輸入就由原來的輸出H(x)=F(x)變?yōu)榱?/font>H(x)=F(x)+x。在ResNet中，這種輸出等于輸入的操作成為恒等映射，圖2殘差塊結(jié)構(gòu)中的identity保證了恒等映射。引進identity之后，身份映射將改變網(wǎng)絡(luò)層的方向，即F(x)+x→x，采用該方法可以實現(xiàn)跨層數(shù)據(jù)流，以確保模型仍然處于最優(yōu)狀態(tài)，并且可以加快網(wǎng)絡(luò)收斂。在解決梯度彌散的問題上，通過如下的公式分析。
XL=Xl+
F(Xi,wi) （1）
上述公式（1）中，XL表示網(wǎng)絡(luò)第L層的特性，即淺層單元l的特征Xl加上一殘差函數(shù)映射∑i
1F(Xi, wi )，表明模型在任意單元內(nèi)都具有殘差特性。可以看出在殘差網(wǎng)絡(luò)中，下面的層次殘差的塊的輸出都可以由上面的某一層確定。對于反向傳播，假設(shè)損失函數(shù)為E，根據(jù)反向傳播的鏈式求導(dǎo)法則，可以得到殘差網(wǎng)絡(luò)的梯度公式[15]。
公式（2）被分為兩部分，即不通過權(quán)重層傳遞的
和通過權(quán)重層傳遞的
1+
∑i
1F(Xi,wi))，
保證了傳遞直接可以傳回任意的淺層Xl，這多層普通神經(jīng)網(wǎng)絡(luò)映射上的結(jié)果。即使新增的多層神經(jīng)網(wǎng)絡(luò)的梯度為0時，殘差網(wǎng)絡(luò)的梯度更新會多一個“1”！這樣可以保證不會出現(xiàn)梯度消失的現(xiàn)象，深層的梯度可以直接通過去到上一層，使得淺層的網(wǎng)絡(luò)層參數(shù)得到有效的訓(xùn)練。
1.3改進ResNet18模型構(gòu)建
為了保證胡麻干旱脅迫分類任務(wù)的準確率和效率，選擇網(wǎng)絡(luò)層數(shù)較小的ResNet18網(wǎng)絡(luò)為基礎(chǔ)模型。ResNet18即保證網(wǎng)絡(luò)深度的同時又實現(xiàn)快速收斂，也可以嵌入到物聯(lián)網(wǎng)設(shè)備中，用于該領(lǐng)域的實時干旱監(jiān)測。
1.3.1增加卷積塊注意力模塊
卷積塊注意模塊(ConvolutionalBlockAttentionModule，CBAM)有兩個子模塊：通道模塊和空間模塊。通過CBAM中間特征圖在深度網(wǎng)絡(luò)的每個卷積塊上進行自適應(yīng)地細化，可以提高特征表達能力，讓網(wǎng)絡(luò)學(xué)會關(guān)注重點信息。CBAM是一個輕量級的注意模塊，它幾乎可以嵌入到任何卷積神經(jīng)網(wǎng)絡(luò)中[16]，而引入的計算量和參數(shù)幾乎可以忽略不計，并且可以與基礎(chǔ)CNN一起進行端到端訓(xùn)練，如圖3所示。
圖3通道模塊與空間模塊在CNN中的連接方式
在原始網(wǎng)絡(luò)ResNet18中添加卷積塊注意力模塊CBAM，構(gòu)成ResNet18-CBAM。如果直接把CBAM模塊添加ResNet18中，模型的網(wǎng)絡(luò)結(jié)構(gòu)將發(fā)生變化，導(dǎo)致無法使用預(yù)訓(xùn)練參數(shù)。本研究在ResNet18中添加了兩個CBAM模塊，經(jīng)過測試，兩個模塊的位置分別設(shè)置在第一層卷積和最后一層卷積之后，如圖4所示。該組合在識別處具有較高的權(quán)重系數(shù)，增強了ResNet18的分類效果。
圖4ResNet18-CBAM網(wǎng)絡(luò)結(jié)構(gòu)
1.3.2網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整
圖5表示傳統(tǒng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)，依次按照卷積層、標準化層、激活函數(shù)的順序連接[17]這樣的連接順序沒有對輸入的樣本數(shù)據(jù)進行歸一化操作，并未發(fā)揮出批標準層的重要作用。
圖6改進殘差塊網(wǎng)絡(luò)結(jié)構(gòu)
1.3.3 LeakyReLU激活函數(shù)
ReLU是在神經(jīng)網(wǎng)絡(luò)中常用的激活函數(shù)，通常意義下，其指代數(shù)學(xué)中的斜坡函數(shù)，即ReLU(x)=max(0,x)[18]。ReLU對應(yīng)的函數(shù)圖像和公式如圖7和式（3）所示。
圖7ReLU激活函數(shù)圖像
由圖7和公式（3）可以看出，隨著訓(xùn)練的進行，只有輸入x的取值為正數(shù)時，ReLU激活函數(shù)才會起作用；當(dāng)輸入的值為負值時，ReLU會出現(xiàn)神經(jīng)元死亡的問題，導(dǎo)致權(quán)重?zé)o法更新。
為了解決這一問題，本文使用LeakyReLU替換ReLU作為中間層的激活函數(shù)，使訓(xùn)練期間在負區(qū)域的激活功能更加活躍，解決了神經(jīng)死亡問題。LeakyReLU激活函數(shù)的圖像和公式如圖8和式（4）所示。
圖8LeakyReLU激活函數(shù)圖像
LeakyReLU與ReLU很相似，僅在輸入小于0的部分有差別，ReLU輸入小于0的部分值都為0，而LeakyReLU輸入小于0的部分，值為負，且有微小的梯度。
式中，α通常取較小的值。使用LeakyReLU的優(yōu)勢在于：在反向傳播過程中，當(dāng)LeakyReLU輸入小于0的值時，也可以計算得到梯度，這樣不僅避免了訓(xùn)練過程中出現(xiàn)死節(jié)點現(xiàn)象，還增強了模型的魯棒性。
1.4遷移學(xué)習(xí)
遷移學(xué)習(xí)是一種機器學(xué)習(xí)方法，它利用現(xiàn)有知識來解決不同但相關(guān)領(lǐng)域的問題[19-20]。其目標是完成相關(guān)領(lǐng)域之間的知識轉(zhuǎn)移。對于卷積神經(jīng)網(wǎng)絡(luò)，遷移學(xué)習(xí)是成功地將在特定數(shù)據(jù)集上訓(xùn)練的“知識”應(yīng)用于新領(lǐng)域。
通常有兩種方法可以將遷移學(xué)習(xí)應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)。一種是使用具有學(xué)習(xí)權(quán)重的預(yù)訓(xùn)練模型來獲得新問題中要使用的特征，即使用預(yù)訓(xùn)練模型作為特征提取器。此時，網(wǎng)絡(luò)的輸出在最后一個完整連接層前面的部分中提取感興趣的特征。另一種是使用新的數(shù)據(jù)集來訓(xùn)練網(wǎng)絡(luò)以微調(diào)網(wǎng)絡(luò)權(quán)重。在這種情況下，必須修改輸出圖層結(jié)點的數(shù)量以匹配新問題中的類別數(shù)量。此外，在這兩種情況下，輸入數(shù)據(jù)都必須與預(yù)訓(xùn)練網(wǎng)絡(luò)的輸入大小匹配。具體的遷移學(xué)習(xí)方法取決于目標數(shù)據(jù)集和原始數(shù)據(jù)集在大小上的差異和相似性，如果目標數(shù)據(jù)集非常小且相似，為了防止過度擬合，可以使用預(yù)先訓(xùn)練過的模型作為特征提取器，反之則使用微調(diào)。
由于本試驗中使用的數(shù)據(jù)集較小，過擬合的可能性相對較大，因此將經(jīng)過訓(xùn)練的ResNet18網(wǎng)絡(luò)模型作為特征提取器，即用預(yù)先訓(xùn)練過的模型提取圖像的特征，最后提取的特征放到Softmax分類器中進行分類訓(xùn)練。
2基于改進ResNet18的胡麻干旱脅迫分類試驗
2.1圖像數(shù)據(jù)預(yù)處理
數(shù)據(jù)增強可以提高模型的識別精度，克服過擬合問題。首先將每幅圖像尺寸縮放到224×224像素，以最小化訓(xùn)練時間，并調(diào)整強度值填充整個強度范圍[0,255],然后隨機將75%的樣本設(shè)置為訓(xùn)練集，25%的樣本設(shè)置為測試集。
由于本文采集的數(shù)據(jù)樣本較小，為了增加訓(xùn)練集的數(shù)據(jù)量，提高模型的泛化能力[21]，因此采用預(yù)處理技術(shù)對圖像數(shù)據(jù)進行增強，以便提高模型的識別精度并克服過度擬合。本實驗采用寬度偏移、高度偏移、水平垂直翻轉(zhuǎn)、剪切和縮放等方式對數(shù)據(jù)集進行擴充，擴充后的圖像共7500張，表2列出了數(shù)據(jù)增強的具體參數(shù)值。
表2數(shù)據(jù)增強參數(shù)值
2.2試驗平臺與訓(xùn)練參數(shù)
所有試驗均在Python3.8.5、PyTorch1.8.0環(huán)境下進行,硬件環(huán)境CPU為IntelCorei7-8750H，主頻2.20GHz；GPU為NVIDIAGeForceGTX1050Ti,4GB顯卡內(nèi)存，操作系統(tǒng)為Windows1064位。
為了驗證改進ResNet18的有效性，將改進后的分類算法與其他主流網(wǎng)絡(luò)模型進行對比測試。試驗中6個對比模型分別為：ResNet18，VGG16，在ResNet18網(wǎng)絡(luò)中添加CBAM注意力機制的ResNet18-CBAM模型，改變殘差塊中批標準層、激活函數(shù)、卷積塊的連接順序的ResNet18-調(diào)整結(jié)構(gòu)模型，改變ReLU激活函數(shù)的ResNet18-LeakyReLU模型，以及原始網(wǎng)絡(luò)為ResNet18且同時添加CBAM模塊、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、改變ReLU激活函數(shù)的本文方法。在訓(xùn)練期間，所有模型的超參數(shù)都是一致的，實驗具體參數(shù)設(shè)置如表3所示。
表3模型參數(shù)設(shè)置
2.3評價指標
本文采用準確率（Accuracy）,召回率(Recall),精確率(Precision),F1值（F1-score)，模型大小（Modelsize/MB）以及單幅圖像的推理時間(Time/ms)來評估網(wǎng)絡(luò)的性能。
上述公式中，Accuracy為算法對所有預(yù)測中正確預(yù)測的比率；Recall為正確預(yù)測結(jié)果與所有預(yù)測的比率；Precision表示被分為正樣本的示例中實際為正的比率；F1-score是一個綜合評價指標。TP和FN分別表示樣本中正樣本和負樣本的數(shù)量；FP和TN表示預(yù)測負樣本為正和負的樣本數(shù)量。Modelsize為模型大小，一般使用參數(shù)量parameter來衡量，但由于該文中使用的模型參數(shù)量太大，所以用單位MB來表示。Time表示單幅圖像的推理時間，即從接收輸入數(shù)據(jù)到輸出結(jié)果所需要的時間。
3結(jié)果與分析
3.1損失函數(shù)
在訓(xùn)練集上各網(wǎng)絡(luò)的損失函數(shù)變化情況如圖9所示。
圖9各分類模型在訓(xùn)練期間的損失曲線
從圖9損失曲線可以看出，與其他網(wǎng)絡(luò)相比，VGG16不僅有較大的損失值，損失曲線的震幅也較大。而原始網(wǎng)絡(luò)為ResNet18的模型則相對穩(wěn)定一些，且添加CBAM注意力機制、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和改變激活函數(shù)的模型在訓(xùn)練期間表現(xiàn)更好。本文所提模型的損失曲線最穩(wěn)定，也低于其他模型，不到1000步時就已經(jīng)開始穩(wěn)定。
3.2不同網(wǎng)絡(luò)模型對比
為了對比6種網(wǎng)絡(luò)模型在不同胡麻干旱脅迫條件下的分類性能，選擇準確率、精度、召回率、F1值、模型大小和平均單幅圖像的推理時間作為評價指標，在測試集上的試驗結(jié)果如表4所示。
表4不同模型評估標準對比
從表4可以看出，本文所提出的在ResNet18中添加CBAM注意力機制、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和改變激活函數(shù)結(jié)合起來構(gòu)建的新模型，對胡麻干旱脅迫的分類精度為98.67%，優(yōu)于原始的ResNet18（92.67%），這也進一步說明本文所提網(wǎng)絡(luò)的可靠性。與此同時，本文提出的三種改進策略在胡麻干旱脅迫數(shù)據(jù)集上的準確率都略高于ResNet18和VGG16網(wǎng)絡(luò)模型，分別提升4.53、2.67、1.6和3.27、1.4、0.33個百分點。其中添加CBAM注意力機制方法提升的效果最為明顯，這是因為引入CBAM之后，特征覆蓋到了胡麻葉片的更多部位，且最終判別的幾率也更高，CBAM注意力機制讓網(wǎng)絡(luò)學(xué)會關(guān)注重點信息。
將三種改進策略結(jié)合的網(wǎng)絡(luò)比只有一種改進模塊的準確率都要高，且精度和召回率達到98.67%。在胡麻葉部干旱脅迫分類對比試驗中，所提出的模型大小較原始ResNet18網(wǎng)絡(luò)模型幾乎沒有增加，訓(xùn)練耗費的時間變化不大，說明其性能提升的同時，并沒有增加時間復(fù)雜度和空間復(fù)雜度，進一步體現(xiàn)了模型改進的有效性。上述結(jié)果進一步表明，本文提出的胡麻干旱脅迫分類模型具有輕量化、實時性強且容易部署在嵌入式設(shè)備上等優(yōu)點。
為了進一步探究模型對不同干旱脅迫的分類差異，各類樣本的分類精度、召回率和F1值如表5所示。
表5不同模型的精度、召回率和F1值對比
從表5可以看出，所提模型的召回率、F1值都很高，三種脅迫的分類精確度均在97.00%以上，特別是對重度脅迫的分類精度達到100%。說明本文提出的模型有效提升了胡麻干旱脅迫分類的準確性，且具有較好的泛化性能，能夠出色的處理分類任務(wù)。
3.3分類結(jié)果的混淆矩陣
混淆矩陣是用來可視化地展示分類模型的性能，是評估網(wǎng)絡(luò)結(jié)果的重要指標。為了進一步了解各類干旱脅迫分類的識別情況，6種分類網(wǎng)絡(luò)對3種脅迫分類準確率如圖10所示。圖中明確標出各模型將某個干旱脅迫類別識別為其他類別的比例，可以更加直觀的展示出各模型的錯誤分類情況。
圖10不同模型分類準確率對比
分類混淆矩陣顯示，盡管大多數(shù)圖像被正確分類，但仍有少部分存在錯誤分類。適宜水分（無脅迫）很容易被錯誤地歸類為輕度干旱，輕度干旱容易被誤分類為適宜水分和重度干旱，重度干旱也容易被誤以為輕度干旱。通過分析得出被錯誤分類的可能原因，一方面是由于數(shù)據(jù)集較少，導(dǎo)致樣本不均勻；另一方面因為圖像中存在不同的干旱脅迫胡麻植株和不同的表型特征，在同一脅迫處理中，有些葉子卷起特征較明顯，有些不明顯，這就導(dǎo)致樣品分類不正確。此外土壤水分分布不均勻也會導(dǎo)致被錯誤分類。
總體來說，除了本文提出的模型之外，其他模型被錯誤分類的情況較為明顯?？梢钥闯霰疚母倪M的網(wǎng)絡(luò)模型能夠較好地對胡麻干旱脅迫進行區(qū)分和判別，有效地降低了干旱脅迫識別誤識率。
4結(jié)論
（1）本文提出了一種基于改進ResNet18胡麻干旱脅迫鑒定方法。通過添加增加卷積塊注意力模塊CBAM，進行自適應(yīng)的特征細化；改變殘差塊中批標準層、激活函數(shù)、卷積塊的連接順序，提高網(wǎng)絡(luò)提取特征能力；將ReLU激活函數(shù)替換成LeakyReLU激活函數(shù)，解決神經(jīng)死亡問題。實驗結(jié)果表明，改進后的網(wǎng)絡(luò)分類準確率達到98.67%，優(yōu)于ResNet18（92.67%）和VGG16（93.80%）。驗證了改進方法的準確性，能夠準確識別胡麻干旱，為胡麻干旱脅迫的預(yù)防和控制提供了一種自動化方案。
（2）通過混淆矩陣可視化地對種類識別結(jié)果分析，3種干旱脅迫的精確度、召回率、F1值都達到98.67%，其中重度脅迫的精確度、召回率、F1值基本達到100%。證明了改進模型的性能優(yōu)越，能夠有效地辨別胡麻干旱脅迫。
（3）改進后的模型大小僅為42.80MB，平均單幅圖像的推理時間為17.50ms，可滿足嵌入式設(shè)備上以提供實時、準確、廣泛地胡麻干旱脅迫監(jiān)測和預(yù)警。
文章摘自：劉芳軍,李玥,武凌,吳麗麗.基于改進ResNet18的胡麻干旱脅迫識別與分類研究[J].江西農(nóng)業(yè)大學(xué)學(xué)報, 1-17.
