植物保护论文_基于轻量级残差网络的植物叶片病 - 植物研究杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表- 植物研究

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

植物保护论文_基于轻量级残差网络的植物叶片病

作者:

关键词:

摘要：

文章摘要:针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多，计算量大且复杂的问题，结合植物叶片病害特征，提出了一种基于轻量级残差网络（Scale-Down ResNet）的植物叶片病害识别方法。网络基于Residual Network（ResNet），通过缩减网络卷积核数目和轻量级残差模块（SD-BLOCK），在大幅减少网络参数、降低计算复杂度的同时保持了低识别错误率，然后加Squeeze-and-Excitation模块进一步降低识别错误率。在PlantVillage数据集上实验表明，在网络参数量0.08M，计算量55MFLOPs的情况下，模型识别错误率为0.55%。当参数量达到0.28M，计算量176MFLOPs时，模型识别错误率为0.32%，低于ResNet-18，并且参数约为其1/39，计算量约为其1/10。相比MobileNet V3和ShuffleNet V2，所提网络模型更为轻量，识别错误率更低。同时网络在自建苹果叶片病害数据集上获得了1.52%的低识别错误率。

文章关键词:

项目基金:《植物研究》网址: http://www.zwyjzz.cn/qikandaodu/2022/0127/2309.html