基于参数高效深度学习框架的 improved 棉花叶片病害分类

棉花作物常被称为“白金”，面临着由于各种叶片疾病而导致的显著生产挑战。作为全球纤维主要来源，及时准确的病害识别对于确保最佳产量和维持作物健康至关重要。虽然已探索了深度学习和机器学习技术来应对这一挑战，但仍存在开发具有更少参数的轻量级模型以提高农业从业者计算效率的空白。为此，我们提出一种创新的深度学习框架，集成 MobileNet 的一部分可训练层、迁移学习、数据增强、学习率衰减计划、模型检查点和早期停止机制。我们的模型表现出色，准确分类七种棉花病害类型，整体准确率达 98.42%，类别精度范围在 96%至 100% 之间。结果显著提升了效率，超越了最近的方法在准确率和模型复杂度方面的表现。即使在测试数据集病害类型较少的情况下，现有文献中的模型也未达到如此高的准确率。结合显著的性能提升和模型的轻量化特性，该框架在智能农业中具有实际可行性。通过提供高性能且高效的解决方案，本框架可能有助于解决棉花培育中的挑战，为可持续农业实践做出贡献。