相关实验视频
Updated: Jul 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
使用轻量级卷积神经网络对复杂的背景进行小麦叶病的识别
Xiaojie Wen1,2, Minghao Zeng1,2, Jing Chen1,2
1Key Laboratory of the Pest Monitoring and Safety Control of Crops and Forests of the Xinjiang Uygur Autonomous Region, College of Agronomy, Xinjiang Agricultural University, Urumqi 830052, China.
Life (Basel, Switzerland)
|November 25, 2023
概括
优化卷积神经网络 (CNN) 对于小麦疾病检测至关重要. 使用SGD + StepLR培训和0.001的学习率,MnasNet模型实现了98.65%的准确性,使其成为移动疾病识别的理想选择.
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:
- 小麦疾病对全球作物产量构成重大威胁.
- 卷积神经网络 (CNN) 对于自动检测作物疾病越来越重要.
- 模型培训策略和初始学习率极大地影响了CNN的表现.
研究的目的:
- 评估不同培训策略和初始学习率对小麦叶病识别的轻量级CNN模型的影响.
- 确定最佳的组合,以实现疾病检测的高准确性和效率.
主要方法:
- 测试了六种训练策略 (Adam,SGD,Adam+StepLR,SGD+StepLR,热身+共弦结+SGD,热身+共弦结+Adam) 进行了测试.
- 应用了三个初始学习率 (0.05,0.01,0.001).
- 五个轻量级的CNN模型 (MobileNetV3,ShuffleNetV2,GhostNet,MnasNet,EfficientNetV2) 在小麦条纹生,粉和健康的小麦数据集上进行了评估.
主要成果:
- 使用SGD+StepLR进行训练,初始学习率为0.001,MnasNet模型实现了最高的识别准确率98.65%.
- 与固定学习率策略相比,这种组合提高了1.1%的准确性.
- 据MnasNet模型证明,一个紧的参数大小为19.09M.
结论:
- 采用SGD+StepLR培训策略和0.001初始学习率的MnasNet模型,对于自动识别小麦叶病非常有效.
- 它的效率和准确性使其适合在移动设备上部署,用于实时作物监测.
