研究一种基于轻量级LSCDNet模型识别花生害虫和疾病的方法

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:

• 准确识别花生害虫和疾病对于高质量的作物生产至关重要.
• 挑战包括微妙的视觉线索,害虫难以捉摸,环境变化,阻碍传统方法.
• 现有的深度学习模型往往缺乏用于现实世界农业监测的计算效率.

研究的目的:

• 开发一个计算效率高的深度学习模型,用于识别花生害虫和疾病.
• 提高花生作物健康监测的准确性和效率.
• 在资源有限的环境中解决传统模型的局限性.

主要方法:

• 推出了LSCDNet (轻量级砂玻璃和协调注意网络),这是基于Dense.Net的简化模型.
• 整合了一个砂玻璃块,用于增强特征提取和协调注意力,以保存位置信息.
• 通过保留仅为维度减少的过渡层来减少模型复杂性.

主要成果:

• LSCDNet实现了高性能指标:96.67%的准确率,98.05%的精度,95.56%的回忆率和96.79%的F1分数.
• 该模型具有0.59万个参数的紧尺寸,在准确性和参数数量方面明显超过了像MobileNetV2和DenseNet-121这样的既定模型.
• 在Raspberry Pi上,LSCDNet表现出实际可用性,平均识别准确率为85.36%.

结论:

• LSCDNet为花生害虫和疾病识别提供了有效和计算效率高的解决方案.
• 该模型的轻量级设计和高精度使其适合于现实世界农业应用和在边缘设备上部署.
• 这项研究通过改进的作物监测技术,有助于推进精准农业.