实时杂草识别与移动设备的增强的mobilevit模型
Xiaoyan Liu1, Qingru Sui2, Zhihui Chen1
1Changchun Sci-Tech University, Changchun, 130600, China.
Scientific reports
|July 27, 2025
概括
本研究介绍了一种轻量级的深度学习模型,用于在移动设备上高效地识别杂草. 增强的MobileViT架构实现了高精度和实时性能,优化了农业技术.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 深度学习模型显著提高了杂草识别的准确性.
- 现有的模型往往太大,对于移动嵌入式系统来说太慢.
- 对于移动杂草识别的优化研究是有限的.
研究的目的:
- 为移动嵌入式系统开发一种轻量级的杂草识别模型.
- 为了在实际应用中平衡高精度与实时性能.
- 解决大型,缓慢的卷积神经网络 (CNN) 的局限性.
主要方法:
- 提出了一个增强的MobileViT架构用于杂草识别.
- 整合了高效通道注意 (ECA) 模块用于特征提取.
- 使用多级视网膜增强算法与颜色恢复用于图像预处理.
主要成果:
- 在杂草识别方面获得了98.51%的F1分数.
- 显示平均识别时间为每张图像89毫秒.
- 该模型有效地平衡了高精度与低计算复杂性的高精度.
结论:
- 拟议的轻量级MobileViT模型适合在移动设备上实时识别杂草.
- 该模型通过将复杂性降至最低,并最大限度地提高性能,为精密农业提供了实用解决方案.
- 这项研究有助于在农业中推进高效的人工智能.


