高性能深度学习,用于在精准农业中即时检测害虫和疾病

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:

• 全球农业生产率面临着来自害虫和疾病的重大威胁,导致作物损失和粮食不安全.
• 目前手动和传统的害虫和疾病检测方法是劳动密集型,耗时,容易出现错误.
• 传统的机器学习模型缺乏实时农业应用的现场部署能力.

研究的目的:

• 开发一种高性能深度学习融合模型,用于实时检测作物害虫和疾病.
• 为优化该模型在边缘设备上部署,用于精密农业应用.
• 提供可扩展,具有成本效益和准确的早期检测框架,以加强全球粮食安全.

主要方法:

• 开发了一个结合MobileNetV2和EfficientNetB0的深度学习融合模型.
• 该模型是在CCMT数据集上训练的,包括22种作物类别 (南瓜,麻豆,玉米,西红) 的127,000多张图像.
• 包括定量化,修剪和知识蒸在内的技术被用于优化边缘部署模型,实现每图像10ms以下的推理时间.

主要成果:

• 聚变模型的总准确率为89.5%,精度和回忆率为95.68%,F1得分为95.67%.
• 与基线CNN模型 (如ResNet-50和VGG-16) 相比,优化的模型表现出更高的性能.
• 该模型在低功耗设备 (智能手机,树派,无人机) 上成功运行,实现实时,云独立的检测,并通过实地试验验证.

结论:

• 开发的深度学习模型提供了一个可扩展,具有成本效益和准确的解决方案,用于在农业中早期检测害虫和疾病.
• 该模型的边缘部署能力支持精准农业,并增强可持续农业实践.
• 该框架通过实时监测和管理偏远地区的作物健康,为全球粮食安全做出贡献.