论文部分内容阅读
马铃薯叶部病害严重制约着马铃薯的产量,为此提出了一种基于注意力和残差思想的深度卷积神经网络模型RANet。依据注意力机制,在RANet中构建并行池化的注意力模块,以增强网络的特征提取能力,并借助残差思想避免注意力模块造成的特征值衰减。以早疫病初期、早疫病晚期、晚疫病初期、晚疫病晚期和健康叶片的叶部图像为研究对象,RANet的平均识别率为93.86%,比ResNet50、VGG16、ShuffleNet和MobileNet高2.46%～16.13%。通过对注意力模块参数量的控制,使该模型图像识别速度可