相关实验视频

Updated: Jun 16, 2026

Automated Visual Cognitive Tasks for Recording Neural Activity Using a Floor Projection Maze

Automated Visual Cognitive Tasks for Recording Neural Activity Using a Floor Projection Maze

Published on: February 21, 2014

一个轻量级的卷积神经网络,用于实时监控智能果园系统

Md Taimur Ahad^1,2, Noman H Chowdhury³, Ainuddin Ahmed³

¹Department of Management Information Systems, North South University, Dhaka, Bangladesh. taimur.ahad@northsouth.edu.

Scientific reports

|February 27, 2026

概括

一个新的轻量级卷积神经网络 (CNN),mangoNet,可以实时检测在智能果园中的果疾病. 这种人工智能模型在物联网设备上实现了高精度,为农民提供了改善作物管理的关键见解.

科学领域:

农业技术农业技术
计算机科学计算机科学
人工智能的人工智能

背景情况:

精准农业利用物联网 (IoT) 设备和卷积神经网络 (CNN) 进行增强的作物管理.
在智能果园中,在资源有限的物联网设备上部署复杂的CNN,由于参数数量很高,因此存在重大挑战.
轻量级的CNN为农业环境中的边缘设备提供了先进的分析能力的可行解决方案.

研究的目的:

开发和评估一个名为mangoNet的轻量级CNN,专门设计用于智能果园的部署.
通过物联网设备上的图像分析,使果园的实时监测和疾病检测成为可能.
通过移动应用程序为农民提供及时的信息,以改善果的种植和产量.

主要方法:

一个新的轻量级CNN架构,mangoNet,被设计成一个平衡的顺序结构,优化的内核选择和渐进式波器扩展.
果网模型是使用孟加拉国果园收集的果叶图像的主要数据集进行训练和评估的.
模型性能与六个最先进的 (SOTA) CNNs进行了基准测试,并使用SHAP,LIME和Grad-CAM可视化评估可解释性.

主要成果:

拟议的mangoNet实现了99.61%的高精度,超过了现有的SOTA CNN.
与SOTA模型相比,mangoNet表现出优异的性能,参数显著减少 (3,987,400),这表明资源利用效率高.
可解释性技术证实了mangoNet准确识别决策关键图像区域的能力.

结论:

轻量级的mangoNet CNN对于在智能果园中实时检测果叶病非常有效,适合物联网部署.
与Streamlit网络应用程序和Android移动应用程序的集成有助于实际应用,并为农民提供可操作的见解.
开发的系统为精密农业提供了具有成本效益和效率的解决方案,在主要的果生产地区有商业化潜力.

关键词:

在美国,CNN是CNN.卷积神经网络是一种卷积神经网络.这是Grad-CAM.在 LIME 时代,轻量级的CNN 轻量级的CNN 果叶检测检测器果叶检测器精准农业精准农业精准农业这就是 SHAP SHAP 的意思.

相关概念视频

Light Acquisition

Light Acquisition

In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.