基于增强轻型卷积神经网络的胡叶病识别.
Min Dai1, Wenjing Sun1, Lixing Wang1
1College of Mechanical Engineering, Yangzhou University, Yangzhou, China.
Frontiers in plant science
|August 25, 2023
概括
这项研究引入了一种增强的轻型卷积神经网络 (CNN) 用于胡叶病的识别. 该模型实现了高精度和改进的计算性能,使其适用于农业中的便携式设备.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 卷积神经网络 (CNN) 对于识别胡叶疾病至关重要.
- 现有的CNN模型面临着对便携设备的精度和计算需求的挑战.
- 有效的叶病识别对于大规模的胡种植至关重要.
研究的目的:
- 开发一个增强的,轻量级的CNN模型,以准确有效地识别胡叶病.
- 在计算性能和内存使用方面解决现有模型的局限性.
- 为了使CNN在嵌入式系统上部署,以实时监控农业.
主要方法:
- 基于googlenet架构开发了一个增强的轻量级模型.
- 开始结构被压缩,以减少参数和增加识别速度.
- 整合了空间金字塔聚合,以结合本地和全球特征.
- 该模型是在6种胡病类型的9183张图像数据集上训练的.
主要成果:
- 改进后的模型实现了97.87%的准确性,超过了谷歌LeNet变体的6%.
- 模型内存的需求减少到10.3 MB (52.31%-86.69%的减少).
- 与AlexNet,ResNet-50和MobileNet-V2.2相比,平均推断时间显著减少.
结论:
- 提议的增强模型为胡叶病的识别提供了卓越的准确性和计算效率.
- 它的轻量级设计使其适合在嵌入式便携式设备上部署.
- 这一进步有可能提高养殖行业的生产率和疾病管理.
