
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于改进的卷积神经网络和多尺度混合注意力模块的智能害虫识别
《Neotropical Entomology》:Intelligent Pest Recognition Based on Improved Convolutional Neural Networks with Multi-scale Hybrid Attention Module
【字体: 大 中 小 】 时间:2026年04月23日 来源:Neotropical Entomology 1.7
编辑推荐:
农业害虫智能识别系统研究:基于改进ResNet18的CNN模型通过融合多尺度混合注意力机制和优化分类器,在包含三种采集方式构建的实验数据集上达到93.61%识别准确率,较基线模型提升2.04%,消融实验验证模块有效性。
害虫对农业生产构成了严峻的挑战,显著影响了农产品的数量和质量。及时检测、预防和减轻害虫危害对于确保农产品的质量和安全至关重要。然而,传统的害虫识别方法不仅繁琐且耗资巨大,还存在主观性,导致识别效率和准确性不佳。为了解决这些问题,本研究引入了一种基于卷积神经网络(CNN)的智能害虫识别系统。该系统结合了多尺度混合注意力模块和残差网络,专门用于害虫分类。首先,通过三种不同的方法收集害虫样本,构建了一个全面的实验数据集。然后利用该数据集对改进后的CNN进行训练。通过在原始的ResNet18模型中加入多尺度混合注意力模块并重构分类器模块,开发出了名为PestNet的专用CNN。实验结果表明,PestNet的平均识别准确率为93.61%,比基线ResNet18网络提高了2.04%。通过一系列严格的评估指标,本研究全面验证了PestNet模型在害虫识别任务中的有效性。进一步的消融实验证实了模型中每个修改的必要性及其对整体性能的积极影响。这项研究不仅展示了深度学习在害虫识别方面的巨大潜力和广泛应用前景,还为农业害虫管理提供了一种智能且便捷的技术解决方案。
害虫对农业生产构成了严峻的挑战,显著影响了农产品的数量和质量。及时检测、预防和减轻害虫危害对于确保农产品的质量和安全至关重要。然而,传统的害虫识别方法不仅繁琐且耗资巨大,还存在主观性,导致识别效率和准确性不佳。为了解决这些问题,本研究引入了一种基于卷积神经网络(CNN)的智能害虫识别系统。该系统结合了多尺度混合注意力模块和残差网络,专门用于害虫分类。首先,通过三种不同的方法收集害虫样本,构建了一个全面的实验数据集。然后利用该数据集对改进后的CNN进行训练。通过在原始的ResNet18模型中加入多尺度混合注意力模块并重构分类器模块,开发出了名为PestNet的专用CNN。实验结果表明,PestNet的平均识别准确率为93.61%,比基线ResNet18网络提高了2.04%。通过一系列严格的评估指标,本研究全面验证了PestNet模型在害虫识别任务中的有效性。进一步的消融实验证实了模型中每个修改的必要性及其对整体性能的积极影响。这项研究不仅展示了深度学习在害虫识别方面的巨大潜力和广泛应用前景,还为农业害虫管理提供了一种智能且便捷的技术解决方案。