LiSA-MobileNetV2: un modelo de aprendizaje profundo extremadamente ligero con activación Swish y mecanismo de...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La agricultura inteligente requiere una identificación precisa de las enfermedades de los cultivos para la seguridad alimentaria.
• Las redes neuronales convolucionales ligeras (CNN) son eficientes, pero a menudo carecen de representación de características para el reconocimiento de enfermedades de las plantas.

Objetivo del estudio:

• Desarrollar un modelo mejorado basado en MobileNetV2 para una clasificación precisa y eficiente de las enfermedades del arroz.
• Mejorar la representación de características y la precisión de clasificación en las CNN ligeras para aplicaciones agrícolas inteligentes.

Principales métodos:

• Reestructuró el módulo residual invertido de MobileNetV2 para simplificar la red.
• Integró la función de activación Swish para mejorar el aprendizaje de características no lineales.
• Incorporó un mecanismo de atención de compresión y excitación para mejorar la representación de características.

Principales resultados:

• LiSA-MobileNetV2 logró una precisión de prueba del 95,68%, una mejora del 5,77% con respecto al MobileNetV2 original.
• El modelo demostró una reducción significativa en el tamaño del parámetro (74,69%) y los FLOP (48,18%).
• La simplificación estructural, la activación de Swish y los mecanismos de atención aumentaron colectivamente el rendimiento de CNN.

Conclusiones:

• LiSA-MobileNetV2 ofrece una solución de alta precisión y eficiencia de recursos para la detección de enfermedades del arroz en tiempo real.
• El modelo propuesto mejora significativamente el rendimiento de la CNN para los sistemas agrícolas inteligentes.
• Este enfoque valida la eficacia de la combinación de mejoras arquitectónicas y mecanismos de atención para la identificación de enfermedades de los cultivos.