基于专家混合与改进阿达克斯优化算法的农业机械识别模型MoEffNet

《Scientific Reports》：Development of a mixture of experts with optimized EfficientNet features (MoEffNet)-powered automated identification system for images of agricultural equipment

　　

摘要

视觉数据可用于自动识别农业机械，这是促进精准农业、资产管理和自主车队管理所必需的。然而，由于存在巨大的类内差异、类间相似性以及不可控的环境因素（包括遮挡、眩光和运动模糊），农业实际图像带来了一些严重的问题。为解决这些问题，本文提出了 MoEffNet，这是一种新的深度学习架构，将专家混合（Mixture of Experts）层与 EfficientNet 主干网络相结合，其训练超参数由一种新的元启发式算法——改进的阿达克斯优化算法（Refined Addax Optimization Algorithm, RAOA）进行优化。MoEffNet 是一个动态系统，可将输入路由到专门的专家子网络中；它能够针对机械的视觉子类自适应地提取特征。RAOA 优化了 EfficientNet 的缩放系数、路由温度和学习率，在不违反计算约束的前提下实现最高准确率。此外，MoEffNet 还在一个公开的图像数据集上进行了测试，该数据集包含 18,742 张 12 种不同类型机械的图像，并获得了 98.72% 的 Top-1 准确率，优于 EfficientNet-B4、视觉 Transformer（Vision Transformers）和 AMTNet 等七种最先进方法。同时，其在推理吞吐量方面也极快，使其适合在边缘运行。定性 Grad-CAM 分析显示，该模型关注的是具有判别性的机械部件，而非背景伪影。这项工作通过视觉定义了一个农业机械识别领域的新标准，并展示了受生物启发的元启发式算法在优化领域特定神经网络架构方面的有效性。