基于果叶病图像的机器视觉算法模型的构建和验证
Gao Ang1, Ren Han1, Song Yuepeng1,2,3
1College of Mechanical and Electronic Engineering, Shandong Agricultural University, Tai'an, Shandong, China.
Frontiers in plant science
|October 2, 2023
概括
这项研究介绍了LALNet,这是一种用于检测果叶病的快速机器视觉模型. 高速的果叶网络达到96.07%的准确性,使得精确的喷和提高水果产量.
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:
- 果叶病严重影响水果质量和产量,需要及时准确的检测方法.
- 智能检测系统对于有效管理果园的疾病至关重要.
研究的目的:
- 提出一种新的机器视觉算法模型,LALNet (高速果叶网络),用于快速准确地检测果叶疾病.
- 开发一种高效的深度学习架构,适合在嵌入式设备上部署,以实时监测疾病.
主要方法:
- 设计了一种高效的果叶检测堆叠模块 (EALD),使用多分支和深度可分离的卷积.
- 采用一个骨干网络,四个叠加的EALD层和一个SE模块来增强功能关注.
- 采用结构重组参数化来优化推理过程中的运行速度.
主要成果:
- 在试验组中,LALNet 实现了 96.07% 的检测准确度.
- 该模型表现出高性能,总精度为95.79%,回忆率为96.05%,F1得分为96.06%.
- 该模型拥有小尺寸 (6.61 MB) 和每张图像6.68ms的快速检测速度.
结论:
- LALNet提供了高检测准确度和快速执行速度的令人信服的平衡,使其成为嵌入式应用的理想选择.
- 开发的模型支持精确的喷策略,以有效预防和控制果叶病.
- 这项技术可以有助于改善果园管理和提高作物产量.
