改进Swin Transformer的农作物害虫细粒度分类方法OA

随着农作物害虫对农业生产的威胁加剧,细粒度害虫分类成为精准农业中的重要研究方向。针对现有模型对细节特征表达不准确且泛化能力差的问题,本文提出一种改进的Swin Transformer(Swin-GMM)模型。首先,针对Swin Transformer在通道特征建模方面的不足,设计分组通道注意力机制(GCA),增强通道间的特征关系;其次,构建基于引导滤波下采样的多尺度特征融合框架,有效融合来自不同层次的特征,提升细节特征的表达能力;最后,设计多尺度分类器,通过并行处理多尺度特征,进一步提升模型的整体性能。实验结果显示,Swin-GMM在IP102数据集上相比基准模型,整体分类精度提高了2.02百分点,平均精度提升了3.35百分点。推理时间和浮点计算量也优于多种主流模型,凸显出分类性能与计算效率上的优势。可视化分析表明,Swin-GMM能让同类样本聚集更紧密,异类样本间的边界更清晰,有效降低误分类率,还能精准聚焦关键细节特征。结果验证了Swin-GMM可有效捕捉害虫之间的细微差异,增强同类内聚性与异类区分度,其在细粒度分类中的优越性得到验证,也为精准农业虫害识别与防治提供了技术保障。