用于边缘计算设备的植物疾病检测模型
Ameer Tamoor Khan1, Signe Marie Jensen1, Abdul Rehman Khan2
1Department of Plant and Environmental Science, University of Copenhagen, Copenhagen, Denmark.
Frontiers in plant science
|December 25, 2023
概括
这项研究展示了一种高度准确的深度学习模型,用于在边缘设备上检测植物疾病. 优化的MobileNetV3-small实现了99.50%的准确性,并减少了用于实际农业应用的参数.
科学领域:
- 农业技术 农业技术
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 深度学习模型对作物监测有希望,但在边缘设备上面临资源限制.
- 准确的植物疾病检测对于有效的农业管理和产量优化至关重要.
- 目前的模型往往缺乏在资源有限的农业硬件上实际部署所需的效率.
研究的目的:
- 开发和优化一个深度学习模型,用于在边缘计算设备上高精度的植物疾病分类.
- 解决农业应用中的边缘设备的资源限制.
- 为实现基于图像的作物监测提供实用,最终用户可访问的解决方案.
主要方法:
- 利用MobileNetV3-小架构进行基于图像的植物疾病分类.
- 在PlantVillage数据集上训练和评估模型,包括14种作物物种和6种疾病群.
- 应用后训练量化来减少模型大小和参数,同时保持准确性.
- 将优化模型转换为ONNX格式,以实现跨平台兼容性.
主要成果:
- 在分类健康和患病的植物叶子时,达到约99.50%的测试准确度.
- 通过量子化将模型参数从150万减少到930万,保持99.50%的准确性.
- 在ONNX格式的最终模型适合在各种平台上部署,包括移动设备.
结论:
- 在资源有限的边缘设备上,用于检测植物疾病的高精度深度学习模型是可行的.
- 像量子化这样的模型优化技术在减少计算负载而不牺牲性能方面是有效的.
- 开发的ONNX格式模型为精密农业提供了具有成本效益和实用的解决方案.
