使用多模式数据和并行激活函数的高性能葡萄疾病检测方法
Ruiheng Li1, Jiarui Liu1, Binqin Shi1
1China Agricultural University, Beijing 100083, China.
Plants (Basel, Switzerland)
|October 16, 2024
概括
一个新的深度学习模型使用多式联络数据提供了优越的葡萄疾病检测. 一个轻量级的版本是优化实时移动部署在智能农业.
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:
- 葡萄疾病检测对于作物产量和质量至关重要.
- 现有的方法往往缺乏准确性,速度或实地应用的稳定性.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确和强大的葡萄疾病检测.
- 创建一个轻量级,移动部署的版本,用于实时,现场农业监测.
主要方法:
- 在深度学习架构中整合多式联网数据和并行异质激活函数.
- 使用结构修剪,量子化和深度可分离卷积的移动优化模型的开发.
- 与已建立的深度学习模型 (YOLOv3,YOLOv5,DETR等) 进行比较性能分析. ) 的情况.
主要成果:
- 这种新型模型实现了91%的准确性,93%的精度,90%的回忆率和91%的mAP与56FPS.
- 这种轻量级模型成功地部署在iPhone 15上,用于实时检测.
- 显著减少移动模型的计算复杂性和资源消耗.
结论:
- 拟议的深度学习模型显著提高了葡萄疾病检测的准确性和稳定性.
- 这种轻量级的移动模型为智能农业中的快速现场疾病识别提供了实用解决方案.
- 这项研究为智能农业和疾病管理提供了先进的技术解决方案.
更多相关视频
10:40Comprehensive Workflow for the Genome-wide Identification and Expression Meta-analysis of the ATL E3 Ubiquitin Ligase Gene Family in Grapevine
Published on: December 22, 2017
10.4K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
