基于改进的卷积神经网络识别冬季小麦害虫和疾病
Jianbin Yao1, Jianhua Liu1, Yingna Zhang1
1School of Information Engineering, North China University of Water Resources and Electric Power, Zhengzhou, 450046, China.
Open life sciences
|July 10, 2023
概括
这项研究引入了一种改进的深度学习模型,用于识别小麦害虫和疾病,实现高精度. 采用转移学习和注意力机制的增强模型显著提高了智能农业应用的识别率.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 小麦害虫和疾病显著降低了作物产量,需要有效的识别方法.
- 像智能农业这样的专业领域的小型数据集大小阻碍了深度学习应用.
- 现有的方法缺乏有效管理小麦作物威胁所需的精度.
研究的目的:
- 开发一个改进的深度学习模型,用于准确识别四种常见小麦害虫和疾病.
- 通过使用数据扩展和转移学习来解决智能农业有限数据的挑战.
- 提高VGGNet16模型的性能,使用注意力机制提高识别准确度.
主要方法:
- 使用VGGNet16作为基础卷积神经网络架构.
- 实施数据扩展和转移学习技术,以克服数据集限制.
- 引入了通道智能注意模块 (CBAM) 和一个新的NLCBAM模块,以改善特征识别.
主要成果:
- 与结层相比,在转移学习中微调整个源模型产生了最好的结果 (96.02%的准确性).
- CBAM-VGGNet16模型实现了96.60%的测试集识别精度.
- 拟议的NLCBAM-VGGNet16模型表现出最高的识别准确率,为97.57%.
结论:
- 开发的深度学习模型,特别是NLCBAM-VGGNet16,为识别小麦害虫和疾病提供了非常准确的解决方案.
- 转移学习和注意力机制是利用有限的农业数据提高深度学习模型性能的有效策略.
- 这些发现支持先进的人工智能在智能农业中的应用,以精确保护作物和提高产量.
