MnasNet-SimAM:一个改进的深度学习模型,用于在复杂的现实场环境中识别常见小麦疾病
Xiaojie Wen1,2, Muzaipaer Maimaiti1,2, Qi Liu1,2
1Key Laboratory of the Pest Monitoring and Safety Control of Crops and Forests of the Xinjiang Uygur Autonomous Region, College of Agronomy, Xinjiang Agricultural University, Urumqi 830052, China.
Plants (Basel, Switzerland)
|August 29, 2024
概括
这项研究介绍了MnasNet-SimAM,这是一种用于在复杂的自然环境中准确检测小麦疾病的新型深度学习模型. 该模型实现了高精度,改进了现有的农业疾病识别方法.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习对于农业疾病检测至关重要,但面临复杂背景和类似疾病识别的挑战.
- 准确检测小麦疾病对于作物管理和产量优化至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于在复杂的自然环境中检测六种普遍的小麦疾病和健康的小麦.
- 解决现有的农业疾病检测方法的识别准确度和误判率的局限性.
主要方法:
- 评估了五个轻量级卷积神经网络用于小麦疾病识别.
- 通过将转移学习与注意力机制 (SimAM) 集成,开发了一种新型模型,MnasNet-SimAM.
- 在复杂的自然环境和公共数据集中捕获的图像上测试模型性能.
主要成果:
- 五个轻量级卷积神经网络在识别六种小麦疾病方面取得了超过90%的准确性.
- MnasNet-SimAM达到了95.14%的准确性,比基准模型改进1.7%,参数增加最小.
- 在小麦真菌疾病数据集上,MnasNet-SimAM表现出强烈的概括,准确率为91.20%.
结论:
- MnasNet-SimAM模型有效地解决了农业疾病检测方面的挑战,特别是对于小麦.
- 拟议的模型满足了在现实条件下快速准确地识别小麦疾病的需求.
- 这项研究有助于推进精准农业的深度学习应用.
