Classification of wild mushrooms based on improved ShuffleNetV2
Notice bibliographique
Résumé
This study introduced an improved CHE_ShuffleNetV2 model based on ShuffleNetV2 to address the classification challenge of wild mushrooms in a complex environment. The model incorporated a Cross Stage Partial (CSP) structure to simplify its complexity. Furthermore, it adopted Hybrid Dilated Convolution (HDC) to replace conventional convolution, enhancing the model’s recognition accuracy by expanding its receptive field. In addition, the ECA module was integrated to enhance the focus of the model on crucial feature information. The Hardswish activation function was employed instead of the ReLU activation function to reduce the number of parameters. The experimental results demonstrated that the enhanced model achieved improved accuracy, precision, recall, and F1-Score of 95.02%, 95.19%, 94.56%, and 94.00%, respectively, representing improvements of 2.81%, 3.82%, 3.08%, and 3.65%, correspondingly, over the original model. The enhanced model also reduced the parameters and FLOPs to 0.933 M and 104.08 M, respectively, representing reductions of 26.13% and 30.42% over the original model. Compared with commonly used lightweight models such as EfficientNet, DenseNet, and MobileNetV2, the CHE_ShuffleNetV2 model showed superior performance in solving the wild mushroom classification problem in complex environments, exhibiting its suitability for deployment on resource-constrained devices including mobile terminals. Keywords: classification of wild mushrooms, ShuffleNetV2, deep learning, lightweight DOI: 10.25165/j.ijabe.20251801.9179 Citation: Xu X M, Yang D W, Wei Q Q, Li J Y, Zhang J. Classification of wild mushrooms based on improved ShuffleNetV2. Int J Agric & Biol Eng, 2025; 18(1): 208–218.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».