深度学习的水稻病害边缘智能预警

这是神马

水稻作为我国的重要农作物,在我国种植面积广泛,是人民温饱的重要保障。随着极端气候的发生,水稻病害问题越来越突出,严重威胁我国粮食安全,成为提高粮食产量的阻碍。机器学习、深度学习等人工智能技术迅猛发展,为农业现代化体系注入了新的活力,为更好地解决水稻病害问题、减少粮食损失提供了技术基础。物联网设备激增,数据呈几何式增长,数据实时传输已经成为当下的新挑战。传统云计算虽然拥有丰富的计算资源,但大量的计算任务容易导致延时增加,任务的实时性需求无法得到满足。边缘计算的出现有望缓解数据爆炸增长问题,物联网设备的边缘化、分布化已经成为智慧农业中的一个新发展方向。基于我国现代化农业发展的上述现状与需求,如何利用深度学习、边缘计算等先进科学技术解决水稻病害带来的产量损失问题已经成为一个值得深入探讨的命题,本文主要对以下内容进行研究1)提出了批量归一化层和正则化范数惩罚相结合的CNN(Convolutional Neural Network)改进模型,有效改善了 CNN模型在水稻病害识别任务中收敛速度较慢的问题。首先以纹枯病、稻瘟病、稻曲病、白叶枯病、褐斑病以及健康水稻为目标类别制作相应的水稻图像数据集,对图像进行标注,为神经网络模型的训练提供基础。对图像进行数据增强等预处理后,选取ResNet101、DenseNet121、MobileNetV2等经典卷积神经网络训练对应模型。加入批量归一化(Batch Normalization,BN)层和正则化范数惩罚后再一次进行训练,实验结果表明,改进后的模型在加快收敛速度方面具有优势。出于对模型边缘部署的考虑,选择轻量化的MobileNetV2改进模型作为初始模型,模型测试准确率达到89.17%。(2)提出了一种参数剪枝和参数量化相结合的MobileNetV2模型轻量化方法,解决了模型边缘部署中存储、计算能力受限的问题。本文首先对MobileNetV2模型进行通道剪枝,易于实现,较为灵活,随后微调模型以提高剪枝后的模型准确率,再对其进行QAT(Quantize Aware Training)量化,将模型数据类型从FP32非对称量化到INT8,进一步减小模型尺寸,以适应边缘设备的有限计算能力和存储环境。实验结果表明,结合参数剪枝和参数量化的模型轻量化方法将模型占用内存大小减小为原来的1/12,推理时间缩短了 77.7%,模型准确率达到87.36%。轻量化模型牺牲了一定的准确率,但更适合于在边缘环境中部署。(3)搭建了基于Jetson Xavier NX的边缘端水稻病害智能预警系统,实现了水稻病害的实时监测。边缘设备Jetson Xavier NX放置在水稻田间,作为边缘端等待网页客户端的检测指令。Jetson Xavier NX首先进行图像采集与存储,在本地进行数据处理,其次将处理结果按相应格式无线传输至云端数据库,网页客户端实时显示结果反馈,同时持续访问数据库获取以往数据,并以图表形式进行直观展示。