基于轻量级G-PPW-VGG11模型的田间小麦品种的分类
Yu Pan1,2,3,4, Xun Yu2,5, Jihua Dong1,2,4
1College of Mechanical and Electrical Engineering, Shihezi University, Shihezi, China.
Frontiers in plant science
|June 4, 2024
概括
这项研究介绍了G-PPW-VGG11,一个轻量级的卷积神经网络,用于准确的小麦品种分类. 该模型以最小的内存实现高精度,使智能农业的实际应用成为可能.
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:
- 小麦品种分类对于农业至关重要,但由于细微的形态差异,具有挑战性.
- 传统的方法效率低下,现有的模型太复杂,无法实现移动部署.
- 智能农业管理需要高效,准确的品种识别系统.
研究的目的:
- 推出G-PPW-VGG11,一个新的轻型卷积神经网络用于小麦品种分类.
- 解决现有模型的计算复杂性和内存密集性.
- 为了使实际的农业应用在移动设备上得到有效的部署.
主要方法:
- 为了降低复杂度,G-PPW-VGG11结合了部分卷积 (PConv) 和部分混合深度可分离卷积 (PMConv).
- 集成ECANet以提供高效的道关注,增强叶子特征捕获和噪音抑制.
- 取代了VGG11完全连接的层,以点向卷积层和全球平均汇聚效率.
主要成果:
- G-PPW-VGG11在仅使用1.79MB内存的情况下实现了93.52%的分类准确度.
- 与VGG11相比,显示了5.89%的精度增加,35.44%的推断速度更快,以及99.64%的记忆减少.
- 在现实环境中在Android上实现了84.67%的准确性,验证了实际可行性.
结论:
- G-PPW-VGG11是一个可行的,高效的解决方案,用于智能农业中的实用小麦品种分类.
- 该模型的轻量级设计和高性能支持移动部署和现实世界的应用.
- 模型和数据集的公开发布有助于未来的研究和开发.
更多相关视频
07:10Untargeted Liquid Chromatography-Mass Spectrometry-Based Metabolomics Analysis of Wheat Grain
Published on: March 13, 2020
9.7K
08:36Development of Targeting Induced Local Lesions IN Genomes TILLING Populations in Small Grain Crops by Ethyl Methanesulfonate Mutagenesis
Published on: July 16, 2019
11.6K
