相关实验视频
Updated: Jun 21, 2025
08:02
Robotic Sensing and Stimuli Provision for Guided Plant Growth
Published on: July 1, 2019
8.0K
MLNAS:基于元学习的神经架构的搜索,用于用于植物疾病检测任务的深度神经网络的自动生成
Sahil Verma1, Prabhat Kumar1, Jyoti Prakash Singh1
1Department of Computer Science and Engineering, National Institute of Technology Patna, Bihar, India.
Network (Bristol, England)
|July 12, 2024
概括
本研究介绍了一种基于元学习的神经架构搜索 (NAS) 系统,用于自动检测植物疾病. 该系统有效地生成高性能卷积神经网络 (CNN) 模型,大大减少了开发时间和计算成本.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 植物病严重威胁全球农业生产力.
- 卷积神经网络 (CNN) 在植物疾病检测方面表现出色,但手动模型开发需要大量的资源.
- 神经架构搜索 (NAS) 自动化了CNN模型生成,但其在植物疾病检测中的应用尚未得到充分探索.
研究的目的:
- 开发一种用于生成CNN模型用于检测植物疾病的自动化系统.
- 为了解决NAS在植物疾病检测方面所受到的有限关注.
- 为了减少与开发有效的植物疾病检测模型相关的计算成本和时间.
主要方法:
- 提出了一个基于元学习的双阶段神经架构搜索 (NAS) 系统 (ML-NAS).
- 第1阶段:使用事先的评估,为新的植物病任务推基准模型.
- 第2阶段:使用NAS运算符对特定目标任务优化推模型.
主要成果:
- 该ML-NAS系统在水果疾病数据集上实现了99.61%的准确性,超过了最先进的模型.
- ML-NAS生成的模型在8类植物疾病数据集上以99.8%的准确度超过了进步NAS模型.
- 与传统方法相比,证明了更快的模型开发和更低的计算成本.
结论:
- 拟议的ML-NAS系统有效地自动化了用于检测植物疾病的高性能CNN模型的生成.
- 这种方法显著提高了为农业开发精确疾病检测解决方案的效率.
- 在可持续农业和作物保护中,ML-NAS为推进人工智能应用提供了有希望的方向.
