Una solución de grado industrial para tareas de detección de imágenes de enfermedades de cultivos

Las enfermedades de las hojas de los cultivos pueden reflejar el estado de salud actual del cultivo, y la detección rápida y automática de enfermedades en el campo se ha convertido en una de las dificultades en el proceso de industrialización de la agricultura. En la aplicación generalizada de diversas técnicas de aprendizaje automático, el consumo de tiempo de reconocimiento y la precisión siguen siendo los principales desafíos para avanzar hacia la industrialización agrícola. Este artículo propone una nueva arquitectura de red llamada YOLO V5-CAcT para identificar enfermedades de cultivos. Se elige la ligera y eficiente YOLO V5 como red base. Estrategias de Aumento Repetido, FocalLoss y SmoothBCE mejoran la robustez del modelo y combaten el problema del desequilibrio en la relación de muestras positivas y negativas. Se utiliza el Early Stopping para mejorar la convergencia del modelo. Usamos dos rutas técnicas de poda de modelos, destilación de conocimiento y compresión de parámetros de activación de memoria ActNN para el entrenamiento e identificación del modelo bajo diferentes condiciones de hardware. Finalmente, utilizamos operadores simplificados con cuantización INT8 para una mayor optimización y despliegue en la plataforma de inferencia de aprendizaje profundo NCNN para formar una solución de grado industrial. Además, se aplicaron algunas muestras de los conjuntos de datos Plant Village y AI Challenger para construir nuestro conjunto de datos. Se logró una precisión de reconocimiento promedio del 94.24% en imágenes de 59 categorías de enfermedades de cultivos para 10 especies de cultivos, con un tiempo de inferencia promedio de 1.563 ms por muestra y un tamaño de modelo de solo 2 MB, reduciendo el tamaño del modelo en un 88% y el tiempo de inferencia en un 72% en comparación con el modelo original, con ventajas de rendimiento significativas. Por lo tanto, este estudio puede proporcionar una sólida base teórica para resolver los problemas comunes en la detección de imágenes de enfermedades agrícolas actuales. Al mismo tiempo, las ventajas en términos de precisión y costo computacional pueden satisfacer las necesidades de la industrialización agrícola.