羅 玲，宋 科，王 皓，資彩飛，奉 偉，杜銘銘，孫仲享，曹志勇

（1.云南農(nóng)業(yè)大學(xué)，a.大數(shù)據(jù)學(xué)院；b.植物保護(hù)學(xué)院，昆明 650500；2.云南高創(chuàng)人才服務(wù)有限公司，昆明 650221）

外來入侵物種是指在中華人民共和國境內(nèi)無天然分布，經(jīng)自然或人為途徑傳入，并對生態(tài)系統(tǒng)、生境、物種帶來威脅或者危害，影響中國生態(tài)環(huán)境，損害農(nóng)林牧漁業(yè)可持續(xù)發(fā)展和生物多樣性的外來物種。云南省是中國重要的生物多樣性寶庫和全球34 個物種最豐富的熱點(diǎn)地區(qū)之一，同時也是中國西南生態(tài)安全屏障，是外來入侵物種侵入中國的南大門。近年來，云南省重大植物疫情呈嚴(yán)重態(tài)勢，植物界“頭號殺手”紫莖澤蘭已遍布云南省80%的土地，并以每年10～30 km2北進(jìn)，給中國的農(nóng)業(yè)生產(chǎn)帶來巨大損失，對生態(tài)安全造成嚴(yán)重威脅。入侵物種防治迫在眉睫，準(zhǔn)確識別外來入侵物種至關(guān)重要，這對保障中國糧食安全、生物安全和生態(tài)安全有著重要意義，而農(nóng)業(yè)技術(shù)與信息技術(shù)結(jié)合是未來中國農(nóng)業(yè)的發(fā)展方向，二者融合也是中國農(nóng)業(yè)生產(chǎn)智能化、現(xiàn)代化的關(guān)鍵［1］。2018 年喬曦等［2］采用卷積神經(jīng)網(wǎng)絡(luò)模型對野外薇甘菊圖像進(jìn)行識別，GoogLeNet、VGG-16 的準(zhǔn)確率分別達(dá)95.5%、97.5%；2022 年閆瑞華［3］提出基于百度AI 開發(fā)平臺圖像識別接口服務(wù)的濕地外來入侵物種監(jiān)測系統(tǒng)，可有效支持濕地外來入侵物種監(jiān)測工作。上述研究均取得不錯的效果，可見在過去的幾年中，深度神經(jīng)網(wǎng)絡(luò)已經(jīng)取得了顯著的發(fā)展，但這些網(wǎng)絡(luò)的計(jì)算復(fù)雜度和資源消耗也不斷增加，要將其部署在實(shí)時應(yīng)用程序或者資源受限的設(shè)備中，無疑是一個巨大的挑戰(zhàn)［4］，終端設(shè)備產(chǎn)生的數(shù)據(jù)需發(fā)送到服務(wù)器端，利用龐大的計(jì)算資源進(jìn)行訓(xùn)練后返回結(jié)果，需保證高質(zhì)量的網(wǎng)絡(luò)信號。然而云南省地形特征以山地高原為主，地勢起伏較大，通信網(wǎng)絡(luò)覆蓋率較低，若位于無網(wǎng)或者網(wǎng)絡(luò)延時較長的地區(qū)，以上研究則無法滿足實(shí)時性需求，不能很好地應(yīng)用于實(shí)際。隨著外侵物種數(shù)據(jù)越來越多地在介于終端和云端之間的網(wǎng)絡(luò)邊緣設(shè)備中產(chǎn)生，邊緣端不僅在靠近數(shù)據(jù)源頭的一側(cè)匯集數(shù)據(jù)，而且通過計(jì)算機(jī)系統(tǒng)就近提供服務(wù)，所以在邊緣端處理數(shù)據(jù)會更有效，而智能手機(jī)的普及度及圖像處理能力和傳輸能力大幅提升，其輕巧便捷性和精確性更能滿足采樣的特殊要求［5］，且為了向公眾普及農(nóng)業(yè)外來入侵物種知識，便于廣泛開展宣傳培訓(xùn)，提高廣大人民群眾對外來入侵物種的識別能力和防控意識，可以在物聯(lián)網(wǎng)設(shè)備及其附近部署的網(wǎng)絡(luò)節(jié)點(diǎn)上實(shí)現(xiàn)人工智能算法的能力，將數(shù)據(jù)的處理、分析和應(yīng)用推到離用戶更近的地方，更加快速、準(zhǔn)確地響應(yīng)用戶需求的邊緣智能無疑更加可行，所以外侵物種識別技術(shù)需要在邊緣端發(fā)力，將傳統(tǒng)數(shù)據(jù)中心的算力向邊緣側(cè)遷移。本研究使用MobileNet-v2 模型進(jìn)行遷移學(xué)習(xí)，并對網(wǎng)絡(luò)模型作出改進(jìn)，旨在建立一種能夠快速訪問邊緣設(shè)備生成的實(shí)時數(shù)據(jù)、響應(yīng)實(shí)時識別事件的邊緣計(jì)算模型，這將是云南省外侵物種防治新途徑，是中國外來物種入侵精準(zhǔn)防控、保障生物安全、生態(tài)安全和糧食安全的重要支撐。

1 材料與方法

1.1 數(shù)據(jù)采集

試驗(yàn)數(shù)據(jù)集主要來自云南農(nóng)業(yè)大學(xué)外侵物種數(shù)據(jù)系統(tǒng)和云南省外侵物種監(jiān)管部門無人機(jī)采集數(shù)據(jù)，試驗(yàn)共采集到5 000 余張圖像，最終挑選出4 720個合格樣本構(gòu)成云南省主要外侵物種樣本集，包含鬼針草、喀西茄、水花生和紫莖澤蘭4 種云南省主要外侵物種。將樣本集以8∶1∶1 的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。在訓(xùn)練網(wǎng)絡(luò)模型之前，將獲取的原始圖像裁剪成大小為224 px×224 px 的圖像，外侵物種部分樣本如圖1 所示。

圖1 外侵物種部分樣本

1.2 方案設(shè)計(jì)

MobileNet 網(wǎng)絡(luò)是針對于邊緣端或嵌入式設(shè)備的輕量級卷積神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，MobileNet 網(wǎng)絡(luò)在準(zhǔn)確率小幅降低的同時大大減少了模型的參數(shù)量和運(yùn)算量，能夠?qū)崿F(xiàn)外侵物種圖像的實(shí)時識別［6，7］。

在外侵物種識別領(lǐng)域，由于外侵物種的各個部位（花、果、葉）受季節(jié)影響，短期內(nèi)無法獲得每個部位大量的高質(zhì)量訓(xùn)練數(shù)據(jù)用于模型的訓(xùn)練，而利用深度學(xué)習(xí)解決圖像識別問題往往需要大量的訓(xùn)練樣本，數(shù)據(jù)量過少時，模型結(jié)構(gòu)層次一旦加深就容易出現(xiàn)過擬合的問題，導(dǎo)致訓(xùn)練得出的模型泛化能力不足。遷移學(xué)習(xí)是指通過從已經(jīng)學(xué)習(xí)的相關(guān)任務(wù)中轉(zhuǎn)移知識來改進(jìn)在新任務(wù)中的學(xué)習(xí)，目前已成為機(jī)器學(xué)習(xí)的一個熱門領(lǐng)域［8］，基于遷移學(xué)習(xí)的方法能在一定程度上減緩過擬合問題［9］。

由于大部分?jǐn)?shù)據(jù)集存在相關(guān)性，所以通過遷移學(xué)習(xí)可以將已經(jīng)學(xué)習(xí)到的模型權(quán)重遷移到新模型中，從而加快新模型的訓(xùn)練效率。本研究的數(shù)據(jù)集為4 種植物圖片，而ImageNet 數(shù)據(jù)集一直是評估圖像分類算法性能的基準(zhǔn)，涵蓋了大部分生活中的圖片類別，因此試驗(yàn)將已在ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練好的MobileNet 模型作為基礎(chǔ)模型，用于解決云南省主要外侵物種識別問題，實(shí)現(xiàn)機(jī)器學(xué)習(xí)在相似領(lǐng)域的遷移。

輕量化模型設(shè)計(jì)的思想是在不損失網(wǎng)絡(luò)準(zhǔn)確度的前提下，降低網(wǎng)絡(luò)的參數(shù)量，使模型更簡單化。目前輕量化主要沿著2 個方向進(jìn)行展開，一是將已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行壓縮等操作后得到輕量化模型，二是直接設(shè)計(jì)較小的卷積神經(jīng)網(wǎng)絡(luò)再進(jìn)行訓(xùn)練，本研究采用后者。2017 年，Google 團(tuán)隊(duì)提出了MobileNet-v1 網(wǎng)絡(luò)，它是一種專門針對移動端或者嵌入式設(shè)備的輕量級卷積神經(jīng)網(wǎng)絡(luò)［10］；與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相比，MobileNet-v1 網(wǎng)絡(luò)在準(zhǔn)確率上有小幅降低，但減少了模型的參數(shù)量和計(jì)算量。MobileNet-v1 模型由多個深度可分解卷積［11］構(gòu)成。在每個卷積后進(jìn)行批歸一化［12］（Batch normalization，BN）和ReLU 操作，在MobileNet-v1 模型中主要有2個值得注意的地方，一是引入深度可分解卷積，減少了模型參數(shù)量，二是增加了超參數(shù)α、β（α為寬度倍率，主要用來控制卷積過程中所采用卷積核的個數(shù)，當(dāng)α取不同值時，其效果也不一致；β為輸入圖像分辨率，不同分辨率也會影響網(wǎng)絡(luò)模型的準(zhǔn)確度），本研究采用分辨率為224 px×224 px的圖像作為研究對象。2018 年，Google 團(tuán)隊(duì)提出MobileNet-v2 模型，相比MobileNet-v1 模型其準(zhǔn)確率更高，模型更?。?3］，與MobileNet-v1模型相比主要進(jìn)行了以下方面的改進(jìn)。

1）提出了倒殘差（Inverted residual）結(jié)構(gòu)［14］。首先采用1 ×1 的卷積核進(jìn)行升維，然后采用3×3 的卷積核進(jìn)行深度卷積操作，最后通過1×1 的卷積核進(jìn)行降維，采用ReLU6 激活函數(shù)，其與ReLU 相比，具有更強(qiáng)的非線性特性，對于更復(fù)雜的數(shù)據(jù)分布和模型擬合能力有更好的表現(xiàn)。ReLU6 激活函數(shù)將最大輸出設(shè)為6，更容易出現(xiàn)權(quán)重不更新的現(xiàn)象；使用ReLU6 激活函數(shù)可以防止數(shù)值爆炸；由于整數(shù)位最大為6，只占3 個bit ，其他bit 將全部用于表示小數(shù)位，可以增強(qiáng)浮點(diǎn)數(shù)的小數(shù)位表達(dá)能力。

2）使用了線性瓶頸（Linear bottlenecks）。在倒殘差結(jié)構(gòu)最后一個1×1 卷積層中使用了線性的激活函數(shù)。倒殘差結(jié)構(gòu)是一種兩端細(xì)中間粗的結(jié)構(gòu)，輸出時是一個低維的特征向量，而ReLU6 激活函數(shù)對低維特征信息造成的損失較大，對高維特征信息造成的損失較小，因此需使用線性激活函數(shù)替代Re-LU6 激活函數(shù)來避免信息損失。

1.3 訓(xùn)練與結(jié)果

針對ImageNet 數(shù)據(jù)，集取MobileNet-v2 模型中不同寬度倍率α的識別結(jié)果［13］。由表1 可知，MobileNet-v2 模型中的寬度倍率越大其準(zhǔn)確率越高，模型參數(shù)量越大［13］。

表1 不同寬度倍率α 在ImageNet上的試驗(yàn)結(jié)果

分別將α為1.0 和1.4 的MobileNet-v2 模型應(yīng)用在本研究數(shù)據(jù)集上，結(jié)果如表2 所示。寬度倍率增大后的網(wǎng)絡(luò)模型識別準(zhǔn)確率反而更低。由此可見，網(wǎng)絡(luò)模型越復(fù)雜，其識別效果并不一定越好；相同的超參數(shù)取值在不同的數(shù)據(jù)集上表現(xiàn)結(jié)果可能不一致。這可能是因?yàn)閷挾缺堵手苯涌刂凭矸e過程中的卷積核個數(shù)，將寬度倍率由1.0 調(diào)整到1.4 意味著卷積過程中采用了更多的卷積核個數(shù)，使得模型更復(fù)雜、參數(shù)量更大，但本研究的數(shù)據(jù)集有限，不適合用過于復(fù)雜的網(wǎng)絡(luò)模型。這也驗(yàn)證了模型越復(fù)雜，越需要大量的數(shù)據(jù)對其進(jìn)行訓(xùn)練，以保證模型的收斂性和泛化性能［15］。

表2 不同寬度倍率α 在本研究數(shù)據(jù)集上的試驗(yàn)結(jié)果

試驗(yàn)將MobileNet-v2 模型中的超參數(shù)α賦值為1.0，對測試集中472 個樣本進(jìn)行識別測試，其中，有452 個樣本被正確識別，20 個被錯誤識別。圖2 為部分錯誤識別樣本，每一個被錯誤識別的樣本都可以清晰辨認(rèn)，但MobileNet-v2 模型卻不能正確識別。

圖2 MobileNet-v2 模型部分錯誤識別樣本

2 結(jié)果與分析

針對MobileNet-v2 模型識別不穩(wěn)定的問題，分析其原因可能是MobileNet 的直筒結(jié)構(gòu)使其缺乏網(wǎng)絡(luò)層之間的交流，對不同的特征圖都賦予相同的權(quán)重，不利于有效特征的學(xué)習(xí)。因此，基于以上問題提出3 點(diǎn)改進(jìn)方法：①增加通道注意力機(jī)制模塊；②更新激活函數(shù)；③壓縮倒殘差塊數(shù)量。

2.1 嵌入SE 模塊

在模型中加入通道注意力機(jī)制模塊，提高網(wǎng)絡(luò)模型對特征的獲取能力。Tang 等［16］等在輕量型神經(jīng)網(wǎng)絡(luò)模型Shuffle Net-V1 和Shuffle Net-V2 中添加了注意力機(jī)制模塊，經(jīng)過改進(jìn)后的2 種模型具有較高的實(shí)時性和識別性能。本研究通過嵌入通道注意力機(jī)制的代表網(wǎng)絡(luò)壓縮-激勵網(wǎng)絡(luò)［17］（Squeezeand-Excitation network，SE 網(wǎng)絡(luò)）來更新基礎(chǔ)網(wǎng)絡(luò)模型的倒殘差結(jié)構(gòu)，SE 網(wǎng)絡(luò)會對特征圖向量進(jìn)行1 次平均池化和1 次全連接操作，假設(shè)輸入特征圖的通道數(shù)為2，先對每個通道上的特征圖進(jìn)行平均池化操作得到一個元素個數(shù)為2 的向量，然后依次通過2個全連接層，輸出向量中的每個元素對應(yīng)輸入特征圖中每個通道的權(quán)重，最終將得到的權(quán)重和輸入特征圖的對應(yīng)通道數(shù)據(jù)相乘得到最終SE 模塊的輸出。

2.2 更新激活函數(shù)

MobileNet-v2 模型中使用ReLU6 激活函數(shù)，僅在ReLU 激活函數(shù)的基礎(chǔ)上限制了最大輸出，仍然存在當(dāng)x=0 時不可微，不能保證模型在優(yōu)化過程中梯度的可計(jì)算性，并且ReLU6激活函數(shù)在x≤0或x≥6時，函數(shù)的導(dǎo)數(shù)為0，在反向傳遞中，梯度完全為0，權(quán)重不再更新，從而網(wǎng)絡(luò)不能學(xué)習(xí)到有效的特征。目前，Swish 激活函數(shù)已被證明比ReLU 激活函數(shù)具有更好地傳播信息能力［18］，Swish 激活函數(shù)的表達(dá)式如下：

式中，x代表輸入的變量，可以是一個實(shí)數(shù)、向量或矩陣；σ（x）為Sigmoid 函數(shù)，Sigmoid 函數(shù)的曲線是平滑的，并且在所有點(diǎn)上都是可微的，從而保證了模型優(yōu)化過程中梯度的可計(jì)算性，且在正半軸不存在導(dǎo)數(shù)為0 的區(qū)域，當(dāng)輸入值為0 時，Sigmoid 函數(shù)的導(dǎo)數(shù)達(dá)最大值，為0.25，而輸入在任一方向上離0 點(diǎn)越遠(yuǎn)，導(dǎo)數(shù)越接近0。使用Swish 激活函數(shù)后確實(shí)能夠提高網(wǎng)絡(luò)模型的準(zhǔn)確率，但是也存在一些問題，如計(jì)算、求導(dǎo)以及量化過程復(fù)雜，特別針對移動端的設(shè)備，為了加快速度通常采取量化操作。

因此，本研究提出了h-swish（hard-swish）激活函數(shù)［19］，該激活函數(shù)可以提高模型的準(zhǔn)確率，且不會增加計(jì)算的復(fù)雜度，更有利于將模型部署在邊緣設(shè)備或者移動設(shè)備上。h-swish 激活函數(shù)的表達(dá)式如式（2）所示，函數(shù)曲線如圖3 所示。

圖3 Swish 激活函數(shù)、h-swish 激活函數(shù)曲線

式中，x為輸入變量，可以是實(shí)數(shù)、向量或矩陣。

2.3 壓縮網(wǎng)絡(luò)層數(shù)

對于小數(shù)量的數(shù)據(jù)集，當(dāng)網(wǎng)絡(luò)模型過深時，不但模型的參數(shù)量較多，而且識別準(zhǔn)確率可能降低。在MobileNet-v2 模型中，除卷積層和池化層外，用到17個倒殘差結(jié)構(gòu)，改進(jìn)后將倒殘差結(jié)構(gòu)減少至12 個，減少了模型參數(shù)量。

2.4 改進(jìn)后的試驗(yàn)結(jié)果

由表3 可知，改進(jìn)后的MobileNet-v2 模型在測試集上的準(zhǔn)確率為96.8%，參數(shù)量為1 535 093；上述被錯誤識別的樣本采用改進(jìn)后的MobileNet-v2 模型進(jìn)行識別，結(jié)果如圖4 所示，除D1 樣本被錯誤識別為紫莖澤蘭外，其余樣本均被正確識別，其原因可能是該樣本中的鬼針草和其他大多數(shù)鬼針草形狀不相似，該類型鬼針草樣本的試驗(yàn)數(shù)據(jù)集較少，因此導(dǎo)致其被錯誤識別。

表3 MobileNet-v2 模型改進(jìn)前后的結(jié)果對比

圖4 改進(jìn)后的MobileNet-v2 模型部分樣本識別結(jié)果

3 討論

3.1 改進(jìn)后的MobileNet-v2 模型優(yōu)勢

通過對現(xiàn)有模型分析發(fā)現(xiàn)，MobileNet-v2 模型無法完全解決外侵物種識別這一特定問題，仍存在潛在的改進(jìn)空間，可以進(jìn)一步優(yōu)化模型的表現(xiàn)。在MobileNet-v2 模型的改進(jìn)過程中，多個優(yōu)點(diǎn)的疊加為其性能提供了強(qiáng)大的助力，從而使其在多個方面有突出的表現(xiàn)。改進(jìn)后的MobileNet-v2 模型不僅在準(zhǔn)確率上有所提升，還在模型輕量化、特征強(qiáng)化和移動端應(yīng)用方面帶來了多重優(yōu)勢。

1）改進(jìn)后的MobileNet-v2 模型在測試集上的準(zhǔn)確率提升了1 個百分點(diǎn)，但模型參數(shù)量僅為改進(jìn)前的67.80%。改進(jìn)后的模型不僅有了更高的識別準(zhǔn)確率，而且參數(shù)量更少。

2）SE 模塊建立了模型內(nèi)部特征圖中通道信息之間的關(guān)系，將全局平均池化后注入到模型的通道中，對特征圖張量中各通道特征進(jìn)行權(quán)重分配，強(qiáng)化擁有較多重要特征的通道對當(dāng)前任務(wù)所起的作用，提高了卷積神經(jīng)網(wǎng)絡(luò)對不同通道特征的敏感性，對特征向量的每個通道分析出了一個權(quán)重關(guān)系，把認(rèn)為比較重要的通道賦予更大的權(quán)重，從而提高模型的識別準(zhǔn)確率［20］。

3）Swish 激活函數(shù)相對于ReLU 激活函數(shù)能實(shí)現(xiàn)更高的神經(jīng)網(wǎng)絡(luò)測試準(zhǔn)確度［21］，改進(jìn)的h-swish 激活函數(shù)更利于在移動端部署與優(yōu)化，同時也保持了與Swish 激活函數(shù)相當(dāng)?shù)木龋?2］。

4）通過壓縮網(wǎng)絡(luò)層數(shù)可以減少網(wǎng)絡(luò)的冗余參數(shù)，使模型參數(shù)量更少［23］，更適合移動終端，通過將任務(wù)從資源受限的設(shè)備轉(zhuǎn)移到功能強(qiáng)大的邊緣設(shè)備上，可以減少系統(tǒng)整體延遲和能耗［24］。

3.2 模型優(yōu)化限制與待改進(jìn)方向

雖然試驗(yàn)方法得到了不錯的準(zhǔn)確率和模型參數(shù)量，但模型優(yōu)化在實(shí)踐中也受到資源、數(shù)據(jù)和場景的限制，同時有一些方向可以繼續(xù)改進(jìn)，使模型達(dá)到更好的性能和適應(yīng)性。

1）由于時間限制，本研究僅對比了MobileNet-v2模型的2 個寬度倍率，可能無法充分利用寬度倍率的優(yōu)勢，如果時間更充足，可以調(diào)整寬度倍率的間隔，探究更佳的寬度倍率。

2）用于訓(xùn)練機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型的數(shù)據(jù)不能完全代表鬼針草、喀西茄、水花生和紫莖澤蘭的多樣性，例如，鬼針草葉片、花和果實(shí)的形狀、紋理和顏色不相同，而試驗(yàn)數(shù)據(jù)集中大部分樣本為葉片，降低了模型的泛化能力。

3）由于時間有限，本研究的數(shù)據(jù)集中只包含4種云南省主要外侵物種圖像，后續(xù)需要采集更多種類的外侵物種圖像來豐富訓(xùn)練集，完善識別模型，進(jìn)一步提高模型的識別準(zhǔn)確率。

4）由于外侵物種野外環(huán)境復(fù)雜，干擾因素較多，存在目標(biāo)物被遮擋的情況，之后可以在模型中嵌入算法將圖像補(bǔ)全；此外，使用無人機(jī)采集圖像時不能保證每一張圖像的清晰度，可以引入相關(guān)算法對圖像進(jìn)行去模糊處理，從而提高模型的識別準(zhǔn)確率。

5）將來通過無人機(jī)在野外采集和識別外侵物種時，記錄其入侵地的經(jīng)緯度、地形部位、發(fā)生面積等信息，當(dāng)收集到大量數(shù)據(jù)后，根據(jù)外侵物種發(fā)生地的特征進(jìn)行預(yù)測，提前采取有效措施防止外侵物種發(fā)生。

4 小結(jié)

云南省是中國外來物種入侵重災(zāi)區(qū)，現(xiàn)有外侵物種的識別工作需要工作人員到達(dá)外侵物種發(fā)生地進(jìn)行識別，但云南省地處低緯度高原，地理位置特殊、地形地貌復(fù)雜，外侵物種識別的應(yīng)用場景通常都是邊緣端的設(shè)備。現(xiàn)有外侵物種識別模型復(fù)雜度較高，模型部署對硬件資源要求高，且模型的訓(xùn)練、保存需要很大的存儲空間，增加了研究成本，很難投入實(shí)際應(yīng)用。針對云南省主要外侵物種識別面臨的挑戰(zhàn)，本研究首先采用一種應(yīng)用于云南省主要外侵物種識別的邊緣計(jì)算模型，采用輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNet-v2 模型對云南省主要外侵物種進(jìn)行識別，但經(jīng)訓(xùn)練、驗(yàn)證和測試發(fā)現(xiàn)模型識別結(jié)果不穩(wěn)定；針對MobileNet 直筒結(jié)構(gòu)不利于有效特征學(xué)習(xí)的問題，對MobileNet-v2 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行嵌入SE 模塊、更新激活函數(shù)和壓縮網(wǎng)絡(luò)層數(shù)3 方面的改進(jìn)，最終識別準(zhǔn)確率達(dá)96.8%，模型參數(shù)量僅為1 535 093，改進(jìn)算法分類準(zhǔn)確率高，網(wǎng)絡(luò)參數(shù)量少，適合部署于邊緣設(shè)備和移動端，能更好地應(yīng)用于云南省防治外侵物種領(lǐng)域。邊緣計(jì)算模型在云南省主要外侵物種識別中很有前途，顯著降低了將數(shù)據(jù)發(fā)送到云進(jìn)行處理的延遲和成本，可以推動深度學(xué)習(xí)在外侵物種防治領(lǐng)域的廣泛應(yīng)用，提高公眾防范生物入侵的意識和對外侵物種相關(guān)法律法規(guī)、形態(tài)識別、防控技術(shù)等知識的普及。