相关实验视频
Updated: Jun 20, 2025
09:30
Super-resolution Imaging of Neuronal Dense-core Vesicles
Published on: July 2, 2014
9.7K
一个轻量级的CNN模型,用于在人手掌背景中识别胡叶病
Youyao Fu1,2, Linsheng Guo3, Fang Huang1
1School of Electronic & Information Engineering, Taizhou University, Taizhou, 318000, China.
Heliyon
|July 19, 2024
概括
一个新的轻量级卷积神经网络 (CNN) 能够准确地识别胡叶病. 这种集成到移动应用程序中的AI模型提供了高效和精确的疾病检测,以改善作物管理.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 手动诊断胡叶疾病是耗时且容易出现错误的.
- 准确识别胡病对作物产量和质量至关重要.
- 现有的自动化方法在现场条件下可能缺乏效率和准确性.
研究的目的:
- 开发一种轻量级的卷积神经网络 (CNN),用于准确识别胡叶病.
- 创建一个实用的移动应用程序,用于实时诊断疾病.
- 解决农业环境中手动疾病识别的局限性.
主要方法:
- 获取了一组健康和生病的胡叶图像的数据集,包括常见的疾病,如病毒性疾病,棕色斑点和叶子.
- 设计并实施基于GGM-VGG16架构的新型CNN模型,其中包括Ghost模块,全球平均池和多尺度卷积.
- 开发了一个安卓应用程序,集成训练有素的CNN模型,用于部署在移动终端.
主要成果:
- 拟议的CNN模型在人类手掌背景的图像上实现了100%的准确性,这在现场设置中很常见.
- 该模型在其他背景上表现出强的性能,准确率为87.38%.
- 由此产生的移动应用程序是紧的 (12.84 MB) 并提供强大的疾病识别功能.
结论:
- 开发的轻量级CNN模型为胡叶病的识别提供了高度准确和高效的解决方案.
- 移动应用程序为农民和农业专业人员提供了一个实用的工具,用于在现场诊断疾病.
- 这种人工智能驱动的方法提高了作物管理,并有助于食品安全和质量.
