基于RGB的深度学习用于结损伤检测在草:比较和转移学习方法在定制数据上的方法

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:

• 结损害严重影响草作物,造成经济损失.
• 手动损坏评估是低效的,主观的,劳动密集的.

研究的目的:

• 开发和评估使用深度学习和计算机视觉对草植物的自动结损害分类.
• 为了比较不同卷积神经网络 (CNN) 架构和训练方法的性能.

主要方法:

• 利用草植物的RGB图像进行结损伤分类.
• 评估了四个CNN架构:DenseNet-121,Inception V3,ResNet-50和Xception. 在这个过程中,CNN的架构包括:
• 将转移学习 (TL) 与从头开始的培训模型进行比较.

主要成果:

• 从头开始训练的模型超过了TL模型,ResNet-50实现了97%的准确性.
• ResNet-50提供了最快的推断时间 (3.0秒),而DenseNet-121是最有效的内存 (26.86MB).
• 模型有效地识别了严重的伤害,但在轻微或最小的伤害差异化方面遇到了困难.

结论:

• 训练的深度学习模型为草结损害分类提供了更准确的自动化解决方案.
• ResNet-50适用于速度关键的应用,而DenseNet-121适用于内存受限制的环境.
• 深度学习为传统的结损害评估方法提供了一个快速,准确和非破坏性的替代方案.