一个改进的多级特征提取网络,用于识别病和害虫
Pengtao Lv1,2,3,4, Heliang Xu4, Yana Zhang4
1Key Laboratory of Grain Information Processing and Control, Henan University of Technology, Ministry of Education, Zhengzhou 450001, China.
Insects
|November 26, 2024
概括
准确识别水害虫和疾病对于作物产量至关重要. 一个新的轻量级多尺度特征提取网络 (LMN) 提高了识别准确性,并减少了模型大小,以有效地分类害虫和疾病.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 由于害虫和疾病,大米生产面临着巨大的产量损失.
- 准确识别水害虫和疾病对于有效的管理策略至关重要.
- 目前用于识别大米害虫和疾病的图像识别技术受到数据稀缺和精度低的限制.
研究的目的:
- 为了解决当前大米害虫和疾病识别方法的局限性.
- 开发一个更准确,更有效的图像识别模型来识别大米害虫和疾病.
- 构建和扩展一个全面的水害虫和疾病数据集 (RPDD).
主要方法:
- 构建大米病虫害数据集 (RPDD) 的数据增强.
- 基于ResNet和注意力机制的轻量级多尺度特征提取网络 (LMN) 的建议.
- 以更细微的颗粒度提取多尺度特征,以改进分类.
主要成果:
- 拟议的LMN模型在RPDD上实现了95.38%的平均分类精度.
- LMN模型获得了94.5%的F1-Score,证明了高分类性能.
- LMN模型具有小的参数大小 (1.4 M) 和低的计算成本 (1.65 G FLOP).
结论:
- 在大米害虫和疾病分类方面,LMN模型显著优于基线ResNet模型.
- LMN模型为农业图像识别任务提供了一个轻量级且准确的解决方案.
- 这项研究有助于推进在米生产中自动识别害虫和疾病.
