推进绿色AI：用于水稻叶片病害识别的高效轻量级CNN
计算机视觉与模式识别
2024-08-06 v1 人工智能
摘要
水稻作为全球一半以上人口的主要粮食来源，其生产对全球粮食安全至关重要。然而，水稻种植经常受到各种病害的影响，这些病害可能严重降低产量和质量。因此，水稻病害的早期和准确检测对于防止其传播和减少作物损失是必要的。在本研究中，我们探索了三种移动设备兼容的CNN架构，即ShuffleNet、MobileNetV2和EfficientNet-B0，用于水稻叶片病害分类。这些模型因其与移动设备的兼容性而被选中，因为它们相比其他CNN模型需要更少的计算能力和内存。为了提高这三个模型的性能，我们添加了两个由dropout层分隔的全连接层。我们使用提前停止来防止模型过拟合。研究结果表明，EfficientNet-B0模型取得了最佳性能，准确率达到99.8%。同时，MobileNetV2和ShuffleNet分别仅达到84.21%和66.51%的准确率。本研究表明，EfficientNet-B0与所提出的层和提前停止相结合，可以产生一个高准确率的模型。
引用
@article{arxiv.2408.01752,
title = {Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification},
author = {Khairun Saddami and Yudha Nurdin and Mutia Zahramita and Muhammad Shahreeza Safiruz},
journal= {arXiv preprint arXiv:2408.01752},
year = {2024}
}