点击上方蓝字
轻松关注我们
中科院1区Top | IF=7.7
2024.09.26 在线发布|本文作者详情如上图
图文概要
在农业技术领域，快速准确地诊断农作物病害对于确保农作物健康和产量至关重要。然而，大多数植物病害自动诊断方法主要基于高计算性能的服务器平台，这限制了它们在实际环境中的应用。本文建立了一个从真实田间场景中收集的农作物病害数据集，用于训练、验证所提出的模型以及增强现有研究中的模型泛化。
其他人正在查看类似内容
【前沿】中国农业大学苏文浩副教授团队：基于轻量级 YOLO 卷积神经网络的实时生菜杂草定位和杂草严重程度分类 【前沿】中国农科院柴秀娟研究员团队：YOLO-WDNet：一种轻量级、精准的棉田杂草检测模型 【Sci Rep】最新！赵春江院士团队：基于改进的YOLOv5s的轻量级奶牛爬跨行为识别系统
它为未来的研究工作提供了一个准确而实用的数据库。这项研究的关键创新在于开发了一种具有高实时能力的轻量级卷积神经网络架构，其特点是精度高、效率高。该网络放弃了传统的深度卷积，采用部分卷积和逐点卷积技术。这种方法在保持高精度的同时显著降低了计算复杂度，使该模型非常适合在资源受限的实时环境中应用。
所提出的方法在开源 PlantVillage 数据集上实现了 99.04% 的准确率，在构建了复杂背景的数据集上实现了 92.82% 的准确率。此外，本文还探讨了所提方法与其他成熟技术在移动平台上的部署，评估重点在于比较在计算资源有限的设备上的实时性能，从而验证该模型在现实世界中的适用性。
本文研究论文全文获取途径：后台回复“351”
图1 来自数据集的示例图
图2 工作流程图
图3 RTL - Net模型架构图
图4 不同作物疾病的混淆矩阵。0：玉米枯萎病；1：玉米北方叶斑病；2：玉米健康；3：棉花细菌性枯萎病；4：棉花靶斑病；5：棉花黄萎病；6：棉花健康；7：葡萄黑腐病；8：葡萄健康；9：番茄早疫病；10：番茄健康
图5 轻微疾病特征样本
农业科技侠交流群
入群可添加小编微信（如下方二维码，备注：入群-姓名-单位，否则不予通过）
投稿、宣传推广、开白等请在本公众号后台回复“1”
转载请注明来源：本文转自农业科技侠数字与智慧农业微信公众号
编辑：刘刚
声明:本文旨在前沿分享,若有编辑等问题,敬请后台留言
