基于改进ShuffleNetV2的马铃薯田间病害精准识别模型：GECA机制与轻量化设计的突破

为解决田间环境下马铃薯病害识别精度低、模型冗余度高的问题，来自国内的研究团队基于ShuffleNetV2架构开展创新研究。通过引入分组高效通道注意力(GECA)机制抑制自然背景干扰，构建特征融合模块减少信息损失，采用GELU激活函数增强鲁棒性，并结合模型剪枝技术，最终开发出参数仅0.13M、FLOPs 0.03G的轻量化模型Potato-ShuffleNetV2。该模型在测试集上达到97.78%准确率，较ResNet50等主流模型提升1.53%-5.41%精度，参数量减少98%以上，为农业智能化部署提供突破性解决方案。

　　

在保障马铃薯产量与品质的迫切需求下，当前深度学习模型面临识别精度不足和计算冗余的双重挑战。针对理想化背景数据集训练的模型难以适应真实田间场景的痛点，这项研究创新性地提出Potato-ShuffleNetV2解决方案。该模型通过三大核心技术突破实现飞跃：首先植入分组高效通道注意力机制(Grouped Efficient Channel Attention, GECA)，有效过滤复杂自然背景噪声；其次设计特征融合架构，显著降低病害特征在深层网络中的信息衰减；最后将传统ReLU激活函数升级为高斯误差线性单元(GELU)，提升模型在非理想光照条件下的稳定性。

经过精心设计的模型剪枝策略，最终版本仅保留0.13百万(0.13M)可训练参数，计算量压缩至0.03吉浮点运算(0.03G FLOPs)，却在测试集上创下97.78%的识别准确率。与ResNet⁵⁰、DenseNet¹²¹等主流架构相比，精度提升幅度达1.53%-5.41%，同时实现两个数量级的参数压缩。这种"鱼与熊掌兼得"的突破，使得该模型特别适合部署在算力有限的田间智能设备上，为农作物病害实时监测提供了教科书级的轻量化设计范例。