为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性。带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Linear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象。在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合。最后,引入SE注意力机制进一步提高网络模型的识别精度。在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4%。
随着5G技术的发展,其高带宽、低时延和高密度接入特点,促使云计算模式向“云-管-端”模式改变,边缘计算作为终端关键技术对人工智能算法在算力有限的终端上的部署成为关键。以苗圃验收环节中松树株数识别的视频检索算法为例,提出一种适用于人工智能算法在终端部署的轻量级苗圃松树苗检测计数算法。算法通过在YOLOv5网络的基础上引入MobileNet v3特征提取机制来实现网络的轻量化,将压缩激励网络(Squeeze-and-Excitation Networks,SENet)中的轻量级注意模块集成作为bneck基本块,提高网络对于特征通道的敏感程度,增强网络的特征提取能力;在IoU(Intersection over Union,IoU)基础上进一步考虑目标框和预测框的向量角度,使用SIoU损失函数作为预测函数,重新定义相关损失函数,从而使苗圃树苗预测框更加接近真实框。研究结果表明,改进后的模型参数量明显减少,改进后的网络模型大小与对比试验中的方法相比,模型在准确率(Precision)降低3.26%、平均精确率均值(Mean Average Precision,mAP)降低1.03%的情况下,帧率(Frame Per Second,FPS)提升了21.48%,达到71.43帧/s,计算量较原YOLOv5s减少了148.44%。证明该算法具有高效性和轻量性,为边缘计算终端人工智能算法移植提供算法原型。
暂无评论