一个改进的ShuffleNetV2方法,以集体自蒸为基础,用于番茄叶病的识别
Shuiping Ni1, Yue Jia1, Mingfu Zhu1,2
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Frontiers in plant science
|February 5, 2025
概括
本研究引入了一种集体自蒸方法,用于使用ShuffleNetV2.2识别轻量级番茄病. 优化的模型在边缘设备上实现了高精度,提高了番茄产量.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业科学 农业科学
背景情况:
- 准确的番茄病识别对于作物产量至关重要.
- 大型深度学习模型是准确的,但很难在边缘设备上部署.
- 需要轻型模型来实时检测边缘设备上的疾病.
研究的目的:
- 为边缘设备开发一种高效准确的番茄病识别方法.
- 为了提高轻量级的ShuffleNetV2模型的性能.
- 为了能够及时检测疾病,提高番茄产量.
主要方法:
- 一种集体自蒸方法被提出并应用于ShuffleNetV2.2.
- 在蒸框架中,多个浅层模型与ShuffleNetV2集成.
- 使用深度可分离的卷积层来提取合特征信息.
主要成果:
- 优化的ShuffleNetV2实现了95.08%的精度,超过了VGG16和ResNet18等较大的模型.
- 该模型在具有最小参数数量的轻型模型中显示出最高的识别精度.
- 合奏方法显著提高了ShuffleNetV2的性能,而不改变其原始结构.
结论:
- 优化的ShuffleNetV2适用于边缘设备上的实时番茄病检测.
- 整体自蒸方法有效地提高了轻型模型的性能.
- 该方法为在农业应用中部署模型提供了灵活性.
更多相关视频
09:05Tomato Root Transformation Followed by Inoculation with Ralstonia Solanacearum for Straightforward Genetic Analysis of Bacterial Wilt Disease
Published on: March 11, 2020
11.5K
15:25Tomato Analyzer: A Useful Software Application to Collect Accurate and Detailed Morphological and Colorimetric Data from Two-dimensional Objects
Published on: March 16, 2010
26.3K
