基于双重注意力机制的植物病虫害识别轻量级网络
农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失,需要及时采取预防措施,而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调,注意力机制和自定义架构等不同方法进行了广泛的实验,并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。
Oct, 2023
本文介绍了基于 MobileNetV3 的 Coordinate Attention 块来解决农业害虫和疾病识别模型过重难以应用的问题,在减小模型体积和提高模型准确率的基础上,成功将模型部署到 Jetson Nano 上,可为其他嵌入式设备的农业害虫和疾病识别提供参考。
Jul, 2022
本文提出了一种新颖的多模态深度学习框架,结合了 tiny-BERT 的自然语言处理和 R-CNN 以及 ResNet-18 的图像处理,以增强农业害虫检测。通过集成文本上下文进行更精确的害虫识别,该方法解决了传统基于 CNN 的视觉方法的局限性。R-CNN 和 ResNet-18 的整合解决了深度 CNN 的问题,如梯度消失,而 tiny-BERT 确保了计算效率。通过线性回归和随机森林模型的集成学习,该框架展示了出色的判别能力,如 ROC 和 AUC 分析所示。将文本和图像数据融合的这种多模态方法显著提高了农业害虫检测的效果。研究突出了多模态深度学习在复杂的真实场景中的潜力,并建议在多样化的数据集、高级数据增强和跨模态关注机制方面扩展以提高模型性能。
Dec, 2023
本文介绍了一种基于深度学习的新型框架 WheatNet,能够快速高效地计算麦田中小麦穗的数量和位置,并在植物育种决策过程中提供实时数据收集的帮助,解决手动记录植物观测数据带来的劳动密集性问题。
Mar, 2021
通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究,我们提出了一种名为通用堆叠多输出 CNN 的新模型(GSMo-CNN),并在三个基准数据集上进行了大量实验。实验结果表明,InceptionV3 是作为骨干 CNN 的较好选择,其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN,并证实单一模型的使用可以与或优于使用两个模型。最终,我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。
Oct, 2023
本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型,用于植物图像分类,对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别,提出了一种新颖的植物病害识别技术。实验结果表明,Xception 模型优于其他三个模型,在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率,对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率,伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化,分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型,包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN,实现了对所有玉米和番茄图像的检测,其中模型的验证准确率为 84.42%。
Dec, 2023
该研究提出了一种新的害虫计数模型 Mada-CenterNet,采用多尺度热图生成方法来适应不同尺度的害虫,利用变形和多尺度注意力设计一种基于小时钟跳跃连接,从而确保内部低分辨率和高分辨率特征的联合学习,并融合几何变形,从而提高了害虫计数精度。
Apr, 2023
本研究利用 8 种马铃薯害虫的数据为基础,通过使用 5 种预训练转移学习模型,利用数据增强、正则化技术和随机搜索优化方法,提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统,实现高精确度的害虫分类识别,并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中,自定义优化过的 InceptionV3 模型表现最佳,其准确率、精度、召回率和 F1-Score 均达到 91%。
May, 2023
利用 54,306 张植物叶片图像数据,训练深度卷积神经网络以识别 14 种作物和 26 种疾病,并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术,实现智能手机辅助作物疾病诊断的可行性。
Apr, 2016