论文信息

Harish V / B T Lata

Research Square

论文解读

AI 辅助整理
方法
构建Simple CNN、深度可分离CNN和Mini-Inception,在四档
发现
Mini-Inception以约0.2M参数达99.86%准确率,优于更大基准模型。
机会点
可探索轻量模型在边缘设备与IoT智能灌溉中的实时部署及多作物泛化验证。

论文摘要

摘要 有效的灌溉管理在精准农业中起着至关重要的作用,因为它直接影响作物生产力和用水效率。本研究提出了一种基于轻量级深度学习的叶片图像灌溉水平识别方法。本研究不依赖早期研究中常用的深层且计算密集的模型,而是考察紧凑的、面向任务的卷积神经网络能否提供同等或更优的性能。本研究开发并评估了三种轻量级架构:简单卷积神经网络(Simple Convolutional Neural Network)、深度可分离卷积神经网络(Depthwise Separable CNN)以及受多尺度特征提取启发的微型Inception模型(Mini-Inception)。所提出的模型使用涵盖四种灌溉条件(25%、50%、75%和100%)的叶片图像数据集进行训练。每个网络均经过精心设计,以减少可训练参数的数量,同时仍能学习到有意义且具有区分度的特征。评估结果表明,尽管相对于传统深度学习技术参数数量大幅减少,三种模型的分类准确率均超过99%。值得注意的是,微型Inception模型在约20万个参数的情况下达到了99.86%的准确率,优于早期研究中报道的更大基准模型。这些结果表明,利用轻量级网络设计可以可靠地捕捉叶片图像中由灌溉引起的胁迫特征,从而降低计算成本、减少过拟合并提高泛化能力。这使得所提出的方法非常适合实时和边缘农业应用,包括移动平台和支持物联网的智能灌溉系统。

论文原文与出版信息

Research Square
查看论文原文

继续探索