基于深度学习的轻量级植物病虫害高效识别模型,Frontiers in Plant Science
植物病虫害一直是造成农业损失的主要原因。目前，使用基于深度学习的卷积神经网络模型可以准确识别不同类型的植物病虫害。为了更有效地识别植物病虫害，我们基于 EfficientNetV2 模型设计了一种名为 Dise-Efficient 的新型网络架构。我们的实验表明，使用动态学习率衰减策略训练该模型可以提高植物病虫害识别的准确性。此外，为了提高模型的泛化能力，将迁移学习纳入训练过程。实验结果表明，Dise-Efficient 模型的大小仅为 13.3 MB。使用动态学习率衰减策略进行训练后，该模型在 Plant Village 植物病虫害数据集上的准确率达到 99.80%。此外，通过对代表真实环境条件的IP102数据集的迁移学习，Dise-Efficient模型在植物病虫害识别方面实现了64.40%的识别准确率。鉴于这些结果，所提出的 Dise-Efficient 模型具有巨大的潜力，可以作为未来在移动和嵌入式设备上部署自动植物病虫害识别应用程序的宝贵参考。
"点击查看英文标题和摘要"
相关知识
面向大规模多类别的病虫害识别模型
基于深度学习的农作物病害图像识别技术进展
深度学习之基于YoloV7植物病虫害识别及防治系统
基于多层EESP深度学习模型的农作物病虫害识别方法
基于深度学习的yolov7植物病虫害识别及防治系统
基于神经结构搜索的多种植物叶片病害识别
基于深度学习的病虫害智能化识别系统
基于深度学习的病虫害识别开发文档
基于深度学习的植物病虫害识别方法与流程
基于深度学习特征的植物病虫害检测
网址: 基于深度学习的轻量级植物病虫害高效识别模型,Frontiers in Plant Science https://m.huajiangbk.com/newsview747395.html
| 上一篇: 基于改进ResNet的植物叶片病 |
下一篇: 水果蔬菜市场价格行情 |
