基于深度学习的病的诊断和应用

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 病严重影响作物产量,需要有效的监测和鉴定.
• 现实的农业环境在基于图像的疾病检测中存在背景噪音的挑战.
• 目前的手工方法效率低下,缺乏实时功能,阻碍了现代农业.

研究的目的:

• 开发一种高效准确的米病鉴定方法.
• 在速度和计算成本方面解决现有方法的局限性.
• 在实际的农业环境中实时监测病.

主要方法:

• 利用来自安省的7,220张大米疾病 (叶子爆发,细菌爆发,亚麻叶斑点) 的图像.
• 提出了改进的YOLOv5s (你只看一次5小版本) 目标检测算法.
• 优化了骨干网络,以减少模型大小并加快预测速度.

主要成果:

• 改进的YOLOv5s模型实现了3.2MB的重量文件大小 (大约是原始文件的1/4).
• 与原始模型相比,预测速度加速了三倍.
• 与主流方法相比,与较低的计算成本证明了卓越的性能.

结论:

• 拟议的方法有效地识别了高精度和高效率的水疾病.
• 缩小模型尺寸和增加速度适合在移动终端上部署,用于实时农业应用.
• 这一进步支持现代农业通过自动化和精确的疾病监测.