基于协调注意力的花生荚果品质分级

目的:解决花生荚果品质分级过程中模型参数占用内存大、识别精度低、识别速度慢的问题。方法:提出一种基于深度学习和图像处理的花生荚果品质分级方法,在SqueezeNet模型的基础上,通过引入的协调注意力模块(Coordinate Attention)将得到的特征图分别编码成一对方向感知和位置敏感的注意图,加强获取特征图中感兴趣区域信息的能力;采用梯度集中(Gradient Centralization)的策略改进优化算法;优化最末的fire层及卷积层的参数。提出优化模型CG-SqueezeNet,并应用于花生荚果品质分级。结果:与经典模型试验对比,CG-SqueezeNet模型在实际花生荚果图像数据库上的检测准确率为97.83%,参数内存仅为2.52 MB。结论:该方法适合部署在移动终端等嵌入式资源受限设备上,有助于实现对花生荚果品质的实时准确识别。