模型案例：| 大豆虫害识别模型！
导读
2023年以ChatGPT为代表的大语言模型横空出世，它的出现标志着自然语言处理领域取得了重大突破。它在文本生成、对话系统和语言理解等方面展现出了强大的能力，为人工智能技术的发展开辟了新的可能性。同时，人工智能技术正在进入各种应用领域，在智慧城市、智能制造、智慧医疗、智慧农业等领域发挥着重要作用。
柴火创客2024年将依托母公司Seeed矽递科技在人工智能领域的创新硬件，与全球创客爱好者共建“模型仓”，通过“SenseCraft AI”平台可以让使用者快速部署应用体验人工智能技术！
本期介绍：模型案例：|大豆虫害识别模型！
MobileNetV2
MobileNetV2是一种轻量级的卷积神经网络，由Google团队在2018年提出，旨在简化在有限硬件资源上运行复杂神经网络的任务。
与MobileNetV1相比，MobileNetV2具有更高的准确率和更小的模型尺寸。其核心设计包括“线性瓶颈层”（Linear Bottleneck Layer），通过使用逐点卷积（1x1 Convolution）来减少通道数，然后增加宽度，最后再次使用逐点卷积恢复原始通道数，从而在减少计算量的同时保持信息的丰富度。这种设计使得MobileNetV2在计算效率上表现出色，特别适合在小内存和低功耗设备上运行。
MobileNetV2的特点
高效性：设计原则是计算效率优先，使其在小内存和低功耗设备上表现优异。
可定制化：可以根据需求调整模型的宽度系数（width multiplier）以平衡性能与资源消耗。
简洁的接口：项目的API设计简单易用，与PyTorch标准库兼容，便于集成到现有项目中。
预训练模型：提供预训练好的模型，可以直接应用于特定的计算机视觉任务，节省训练时间。
MobileNetV2的应用场景
MobileNetV2的应用场景广泛，包括：移动应用（如图像识别、物体检测、实时视频分析等）、嵌入式系统（如智能家居设备、无人机、自动驾驶汽车等）以及边缘计算环境，其中需要快速部署并处理大量数据的场景。
此外，MobileNetV2作为物体检测和分割的特征提取器非常有效，例如，当与SSDLite配对进行检测时，新模型在取得相同精度的情况下，要比MobileNetV1快大约35%。
为了实现图像分类，通常会使用深度学习技术，特别是卷积神经网络（Convolutional Neural Networks, CNNs）。CNNs 能够从原始像素中自动学习层次化的特征表示，这些特征表示对于图像分类任务非常有效。通过在大规模数据集上训练CNNs，可以获得具有出色分类性能的模型。
大豆虫害识别模型
大豆是我国主要粮食作物，在我国有着广泛的种植区域。在大豆种植过程中会遇到很多病虫害造成大豆大面积减产。对于常见的病虫害如：褐纹病、霜霉病、红蜘蛛、双斑萤叶甲、毒蛾、食心虫、蚜虫等大豆病虫害防治尤为重要。
该模型用于对红蜘蛛和蚜虫两种虫害的识别，采用MobileNetV2卷积神经网络，生成TensorFlow Lite INT8格式文件。
大豆虫害识别应用场景
1. 实时监测与预警：通过在农田中布置摄像头或使用无人机，实时获取大豆植株的图像，利用虫害识别模型检测出虫害的种类和严重程度。这样可以在虫害扩散之前及时采取措施，减少损失。
2. 精准农药喷洒：在识别出具体的虫害位置和种类后，针对性地进行农药喷洒，避免盲目和过度使用农药，降低成本并减少对环境的影响。
3. 病虫害分析与报告：通过模型分析虫害数据，生成分析报告，为农学家和农民提供详细的虫害信息和防治建议，提高决策的科学性。
4. 农田巡检机器人：部署配备虫害识别模型的巡检机器人，可以自动化地在农田中巡逻，实时检测虫害情况，减轻人力巡检的负担。
5. 作物健康评估：定期使用模型对大豆作物进行健康状况评估，及时了解虫害对作物生长的影响，调整种植策略和管理措施。
模型文件下载
大豆病虫害识别Lite（INT8）类型模型文件，请在网盘中下载此模型
https://share.weiyun.com/QGMNcwu5
在XIAOESP32S3Sense上部署此模型
1、打开SenseCraft AI，如下图所示。
2、准备硬件，安装XIAOESP32S3摄像头扩展板，使用数据线一头连接到XIAO ESP32S3 Sense开发板，另一头连接到电脑的USB接口上，如下图所示。
3、打开SenseCraft模型助手网站，单击右上角的“连接”按钮，填充串口连接窗口后点击“连接”按钮，如下图所示。
当“连接”变成红色的“断开连接”按钮时，表示连接成功了，如下图所示。
4、接着在“可用的AI模型”列表中向下拉动列表，找到“上传自定义AI模型”按钮，并单击此按钮，如下图所示。
5、弹出“自定义AI模型”窗口，填写模型名称、添加下载的模型文件、单击“新增物体”设置2个识别标签（注意2个标签的名称顺序不能写错，分别是gall（蚜虫）和redspider（红蜘蛛）），填写完成后单击“发送模型”按钮，如下图所示。
6、等待几秒钟上传成功后，这时会出现摄像头实时预览窗口并推理出结果，如下图所示。
推理结果演示
XIAO ESP32S3 Sense 套装介绍
XIAO ESP32S3（Sense）
强大的 MCU 板：集成ESP32S3 32 位双核 Xtensa 处理器芯片，运行频率高达 240 MHz，安装多个开发端口，支持Arduino/MicroPython；
高级功能：可拆卸OV2640相机传感器，分辨率为1600*1200，兼容OV5640相机传感器，集成附加数字麦克风；
超强内存：带来更多可能性：提供 8MB PSRAM 和 8MB 闪存，支持 SD 卡插槽，用于外部 32GB FAT 内存；
出色的射频性能：支持2.4GHz Wi-Fi和BLE双无线通信，连接U.FL天线时支持100m+远程通信；
拇指大小的紧凑型设计：21 x 17.5mm，采用XIAO的经典外形，适用于可穿戴设备等空间有限的项目；
AI模型：来自 SenseCraft Al 的用于无代码部署的预训练 Al 模型。
AI 原型设计
柴火创客一直致力于将先进技术带到社区，通过社区伙伴或高校创新训练营的形式传授新的知识，新的技术、新的理念。
本期介绍河北农业大学创客俱乐部的学生团队，利用大豆虫害识别模型，进行了相应的原型设计和研究，希望能设计一个放置在大豆田间进行虫害预测的智能装置。
团队介绍
写在最后
SenseCraft-AI平台的模型仓数量还很少，但是好消息是它支持自定义模型上传并输出推理结果，平台会逐渐增加模型仓的数量和分享有爱好者设计的模型仓原型，敬请关注！
粉丝福利
扫码领取
XIAO ESP32S3（Sense）套装
优惠卷
首单 79元
即可体验模型仓中的各种模型
本文图片素材来源于网络，如有侵权后台联系删除！
模型案例：| 人员检测模型！
模型案例：| 目标检测 - 苹果检测模型！
模型案例：| 电表计数识别模型
模型案例：| 口罩识别模型！
模型案例：| 石头、剪刀、布手势识别模型！
模型案例：| 人体姿态估计模型！
模型案例：| 破损鸡蛋识别模型！
模型案例：| 手势关键点检测模型！
模型案例：| 鸟类识别模型！
新一代信息技术赋能｜人才升级｜产业创新
柴火驻场会员火热招募中！
Seeed Studio物联网设备试用中心落地柴火！
----END----
Chaihuox.factory｜深圳，河北
责任编辑：
相关知识
基于特征检测的蔬菜叶片病虫害识别模型研究
基于多尺度数据集的虫害检测模型
面向大规模多类别的病虫害识别模型
基于高光谱的设施黄瓜蚜虫虫害检测及其预测模型
突破用户分析难点的关键模型+案例解析,产品经理,Rss
Lambert2004 空间回归模型
水稻虫害智能预测模型及其应用
渝西地区森林虫害的气象预报模型
基于大数据的山东省十字花科蔬菜虫害特征数据采集与预警模型构建.pptx
基于深度迁移学习模型的花卉种类识别
网址: 模型案例：| 大豆虫害识别模型！ https://m.huajiangbk.com/newsview265538.html
| 上一篇: 大数据环境下江川区花卉产业发展现 |
下一篇: 横州市：全产业链数字化打造茉莉花 |
