轻量级CNN SE变换器用于强大的杂草分类，具备优化器感知性能

《Scientific Reports》：Lightweight CNN SE transformer for robust weed classification with optimizer aware performance

　　

摘要

在作物生长的早期阶段，存在的杂草会严重影响作物产量。利用机器人准确快速地识别杂草种类有助于缓解这一问题，使农学家和农民能够采用更精确的方法来控制杂草的生长。在这项研究中，我们设计了一种自定义的轻量级CNN-SE-Transformer架构，它在计算成本较低的同时仍能捕捉到大量重要特征。研究通过增加或减少卷积层的数量来评估不同深度的卷积网络效果。该模型在有无残差以及是否使用跳跃连接的情况下进行了测试，以了解轻量级架构的性能。卷积网络中的Squeeze-and-Excitation（SE）模块增强了模型的区分能力。多个带有残差的卷积层序列有助于提取深层特征，这对于处理具有较多相似性的小型植物尤为重要。与以往的深度学习方法相比，该模型的优势在于它能够压缩数据序列，并利用后续特征更高效地分析数据，同时保持模型的整体性能。为了明确验证所提模型的能力，我们使用包含三类和十六类杂草的两个强大数据集对模型进行了评估。结果表明，所提出的架构在这两个数据集上均表现优异，测试准确率最高。对于Adam、RMSProp和adam+label smoothing三种优化器，我们分别评估了它们的性能，以了解模型在各种训练条件下的收敛性和稳定性。实验结果显示，Adam优化器的测试准确率达到97%，是最佳优化器；Adam+label smoothing的测试准确率为96.5%；而RMSProp的测试准确率为95%，表现稍逊一筹。通过GradCam可视化工具分析模型的可解释性发现，所提出的轻量级模型能够准确识别杂草的特征。