相关实验视频
Updated: Jul 19, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
资源优化的cnns用于实时检测米病,使用ARM皮层-M微处理器
Hermawan Nugroho1, Jing Xan Chew2, Sivaraman Eswaran3
1Electrical and Electronic Engineering Department, University of Nottingham Malaysia, Jln Broga, 43500, Semenyih, Malaysia. hermawan.nugroho@nottingham.edu.my.
Plant methods
|October 16, 2024
概括
本研究使用微控制器上的人工智能 (AI) 和卷积神经网络 (CNN) 来检测大米植物疾病. 移动NetV2实现了97.5%的准确性,提供了一个可行的智能农业解决方案.
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:
- 米是重要的主食,在像马来西亚这样的地区,面临着自给自足的下降.
- 有效地检测米植物疾病对于提高农业生产力和可持续性至关重要.
- 资源有限的环境需要高效的人工智能模型进行现场农业监测.
研究的目的:
- 探索卷积神经网络 (CNN) 在ARM Cortex-M微处理器上的应用,以检测大米植物疾病.
- 为此任务评估MobileNetV2和FD-MobileNet模型的性能和计算效率.
- 在智能农业应用中研究AI模型的资源优化策略.
主要方法:
- 为了培训和验证,利用了两个大型数据集 (5,932和10,407张图像),涵盖了多个水疾病类别.
- 为ARM Cortex-M4微处理器实现并优化了MobileNetV2和FD-MobileNet模型.
- 基于准确性,计算效率和资源消耗 (RAM,闪存) 的评估模型性能.
主要成果:
- 移动NetV2实现了97.5%的高精度,超过了FD-MobileNet (90%的精度).
- 移动NetV2在检测像罗这样的复杂疾病方面表现出卓越的表现 (93%的准确性).
- 资源优化,即使是轻微的,也显著提高了验证准确性,突出了效率和性能之间的权衡.
结论:
- 在微控制器上部署CNN提供了一个实用的解决方案,用于实时现场检测米植物疾病.
- 该研究表明,智能农业有可能提高准确性和运营效率.
- 这项研究有助于通过将人工智能整合到农业中来解决粮食安全挑战.
