一种应用于云南省外侵物种识别的边缘计算模型

doi:10.14088/j.cnki.issn0439-8114.2023.10.036

湖北农业科学 ›› 2023, Vol. 62 ›› Issue (10): 212-217.doi: 10.14088/j.cnki.issn0439-8114.2023.10.036

一种应用于云南省外侵物种识别的边缘计算模型

罗玲^1a, 宋科^1a, 王皓^1a, 资彩飞², 奉伟^1a, 杜铭铭^1a, 孙仲享^1b, 曹志勇^1a

1a.云南农业大学, 大数据学院,昆明 650500;
1b.云南农业大学, 植物保护学院,昆明 650500;
2.云南高创人才服务有限公司,昆明 650221

收稿日期:2023-04-14 发布日期:2023-11-14
通讯作者: 曹志勇（1976-）,男,云南曲靖人,教授,博士,主要从事农业环境信息处理、图像采集与处理研究,（电话）13708718797（电子信箱）czy@ynau.edu.cn。
作者简介:罗玲（1999-）,女,云南曲靖人,在读硕士研究生,研究方向为图像识别,（电话）15287954671（电子信箱）3139970477@qq.com。
基金资助:
国家重点研发计划项目（2021YFD1400200）; 云南省重大科技专项计划项目（202302AE090020）

An edge computing model applied to the identification of invasive species in Yunnan Province

LUO Ling^1a, SONG Ke^1a, WANG Hao^1a, ZI Cai-fei², FENG Wei^1a, DU Ming-ming^1a, SUN Zhong-xiang^1b, CAO Zhi-yong^1a

1a. College of Big Data, Kunming 650500, China;
1b. College of Plant Protection, Yunnan Agricultural University, Kunming 650500, China;
2. Yunnan Gaochuang Human Resource Service Co., Ltd., Kunming 650221,China

Received:2023-04-14 Published:2023-11-14

摘要/Abstract

摘要： 基于MobileNet模型迁移对云南省4种主要外侵物种（鬼针草、喀西茄、水花生和紫茎泽兰）图像进行识别,将宽度倍率为1.0和1.4的MobileNet-v2模型分别应用在本研究数据集上进行试验,分析了MobileNet-v2网络模型识别不稳定的原因,通过增加通道注意力机制模块、更新激活函数和压缩网络层数对模型进行改进。结果表明,改进后的MobileNet-v2模型识别准确率达96.8%,模型参数量仅为 1 535 093。改进后的MobileNet-v2模型识别准确率高、模型参数量少,适合部署于边缘端,能更好地应用于云南省外侵物种防治领域。

关键词: 外侵物种, 边缘计算模型, MobileNet-v2模型, 云南省

Abstract: Based on the MobileNet model migration, four main invasive species （Bidens bipinnata, Cassia plant, water peanut, and Eupatorium adenophorum） images in Yunnan Province were identified. The MobileNet-v2 models with width ratios of 1.0 and 1.4 were applied to the dataset in this study for experiments. The reasons for the unstable recognition of the MobileNet-v2 network model were analyzed, and the model was improved by adding channel attention mechanism modules, updating activation functions, and compressing network layers. The results showed that the improved MobileNet-v2 model had a recognition accuracy of 96.8%, and the model parameter quantity was only 15 359 093. The improved MobileNet-v2 model had high recognition accuracy and fewer model parameters, making it suitable for deployment at the edge, and could be better applied to the field of invasive species control in Yunnan Province.

Key words: invasive species, edge computing model, MobileNet-v2 model, Yunnan Province

中图分类号:

罗玲, 宋科, 王皓, 资彩飞, 奉伟, 杜铭铭, 孙仲享, 曹志勇. 一种应用于云南省外侵物种识别的边缘计算模型[J]. 湖北农业科学, 2023, 62(10): 212-217.

LUO Ling, SONG Ke, WANG Hao, ZI Cai-fei, FENG Wei, DU Ming-ming, SUN Zhong-xiang, CAO Zhi-yong. An edge computing model applied to the identification of invasive species in Yunnan Province[J]. HUBEI AGRICULTURAL SCIENCES, 2023, 62(10): 212-217.

参考文献

[1] 刘震,纪明妹,郭志顶,等.河北省农业害虫图像识别系统建设[J].湖北农业科学,2022,61(7):135-139,144.
[2] 乔曦, 钱万强,樊伟, 等. 基于深度学习的野外薇甘菊图像识别[A].第五届全国入侵生物学大会——入侵生物与生态安全会议摘要[C].乌鲁木齐:中国植物保护学会生物入侵分会,2018.
[3] 闫瑞华. 基于图像识别的湿地外来入侵物种监测系统的设计与实现[J].软件工程,2022,25(2):51-54.
[4] 严晶,任明武.基于轻量级网络的人民币鉴伪算法研究[J].计算机与数字工程,2022,50(6):1347-1353.
[5] 李辉,罗敏,岳佳欣.基于计算机视觉技术的水稻病害图像识别研究进展[J].湖北农业科学,2022,61(4):9-15.
[6] 陈怡帆. 基于MobileNet的果蔬识别系统[J]. 现代信息科技, 2021,5(13):155-158.
[7] 秦嘉奇. 基于Mobilenet的农作物叶片病害识别方法[J].信息与电脑(理论版),2021,33(18):181-184.
[8] 解晓康. 基于迁移学习的模糊图像识别技术研究[D]. 武汉: 华中科技大学, 2016.
[9] 胡明越. 基于深度学习的树种识别算法研究[D]. 杭州:浙江农林大学, 2019.
[10] HOWARD A G, ZHU M, CHEN B, et al.Mobilenets: Efficient convolutional neural networks for mobile vision applications[A].Proceedings of the 2017 IEEE conference on computer vision and pattern recognition[C].Washington, USA:IEEE computer society,2017. 7341-7349.
[11] HAASE D, AMTHOR M.Rethinking depthwise separable convolutions: How intra-kernel correlations lead to improved mobilenets[J].Proceedings of the IEEE computer society conference on computer vision and pattern recognition,2020,31: 14600-14609.
[12] IOFFE S, SZEGEDY C.Batch normalization: Accelerating deep network training by reducing internal covariate shift[A].International conference on machine learning[C]. Florida, USA:IMLS,2015.448-456.
[13] SANDLER M, HOWARD A, ZHU M, et al.Mobilenetv2: Inverted residuals and linear bottlenecks[A]. Proceedings of 2018 IEEE/CVF conference on computer vision and pattern recognition[C]. Salt Lake, USA:IEEE, 2018. 4510-4520.
[14] SHEN F, ZHU J Q, ZHU X B, et al.Exploring spa-tial significance via hybrid pyramidal graph network for vehiclere-identification[J].IEEE Transactions on intelligent transportation systems,2022,23(7): 8793-8804.
[15] 周衍挺. 基于深度学习的图像分类方法研究与应用[D]. 安徽淮南:安徽理工大学, 2021.
[16] TANG Z, YANG J, LI Z, et al.Grape disease image classification based on lightweight convolution neural networks and channelwise attention[J]. Computers and electronics in agriculture, 2020, 178:105735.
[17] JIE H,LI S,SAMUEL A, et al.Squeeze-and-excitation networks[J]. IEEE transactions on pattern analysis and machine intelligence,2019,42(8):2913372.
[18] YANG X,LIU W,TAO D, et al.Canonical correlation analysis networks for two-view image recognition[J]. Information sciences,2017,385:338-352.
[19] AVENASH R,VISWANATH P.Semantic Segmentation of satellite images using a modified CNN with hard-swish activation function[A].international joint conference on computer vision, imaging and computer graphics theory and applications[C].Vienna:VISIGRAPP,2019.41-53.
[20] 徐志鹏. 基于注意力机制的人脸表情识别[D]. 南京:南京邮电大学, 2021.
[21] 司海飞,史震,胡兴柳,等.基于DeepLab V3模型的图像语义分割速度优化研究[J].计算机工程与应用,2020,56(24):137-143.
[22] 宋益,赵宁雨,颜畅,等.隧道衬砌裂缝实时分割的Mobile-PSPNet方法[J].铁道科学与工程学报,2022,19(12):3746-3757.
[23] 鲁志敏. 硬件友好的高精度立体视觉图像匹配算法研究[D].合肥:中国科学技术大学,2020.
[24] 王恒,蒋大成,宋晓华.边缘计算中最大化服务价值的任务卸载算法[J].计算机与数字工程,2022,50(9):1876-1880,2011.

一种应用于云南省外侵物种识别的边缘计算模型

An edge computing model applied to the identification of invasive species in Yunnan Province

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	周睿, 吴敬东, 钟文武, 刘跃天. 渔业科技进步贡献率的测算与分析——基于2005—2019年云南省市级面板数据模型[J]. 湖北农业科学, 2023, 62(9): 220-225.
[2]	季舜华, 陈义强, 黄剑滨, 邓小华, 林先塔, 崔振伟, 赖荣华, 叶润, 张永安, 齐凌峰. 移栽期与保山市清甜香型烟叶产质量的关系[J]. 湖北农业科学, 2023, 62(8): 107-112.
[3]	李昊勋, 郑宏刚, 刘淑霞, 赵昊, 陈冉. 基于随机森林下的云南省耕地利用效率测算及基尼系数分析[J]. 湖北农业科学, 2023, 62(7): 32-37.
[4]	刘超, 李树珍, 段丽娜, 杨艳, 袁丽英, 张绍龙, 曹平波. 云南省居民咖啡果皮中五种重金属摄入水平及健康风险评估[J]. 湖北农业科学, 2023, 62(6): 147-151.
[5]	李梁, 陈良正, 董晓波, 毛昭庆. 云南省蔬菜产业竞争力研究[J]. 湖北农业科学, 2023, 62(5): 221-226.
[6]	赵昊, 郑宏刚. 云南省土地经济密度空间格局演变及其影响因素[J]. 湖北农业科学, 2023, 62(4): 56-62.
[7]	于菲, 王发林, 张晏, 陆琳, 仇明华, 汪懋华, 李莉. 自然生草有机覆盖对低纬高原地区雨养桃园生理生态效应的影响[J]. 湖北农业科学, 2023, 62(3): 30-34.
[8]	毛昭庆, 陈良正, 董晓波, 杨芳, 李梁. 乡村振兴背景下云南省种植业结构调整的鲜菜消费研究[J]. 湖北农业科学, 2023, 62(2): 25-30.
[9]	李梁, 董晓波, 毛昭庆. 云南高原蔬菜产业集群发展研究[J]. 湖北农业科学, 2023, 62(1): 94-99.
[10]	吴星雨, 杨林楠, 费凡. 基于GIS的云南省苹果种植适宜性区域划分研究[J]. 湖北农业科学, 2022, 61(8): 42-48.
[11]	毛昭庆, 董晓波, 陈良正, 李梁. 云南省蔬菜产业发展的时空演变特征分析[J]. 湖北农业科学, 2022, 61(22): 99-104.
[12]	李亚强, 陈成, 杨栋淏, 辛京达, 刀剑, 王建雄. 云南省近13年NDVI植被覆盖时空变化动因子分析[J]. 湖北农业科学, 2022, 61(20): 45-51.
[13]	毕亚楠, 叶艳萍, 李凯茜, 杜丽娟. 基于因子分析法剖析云南省农产品竞争力[J]. 湖北农业科学, 2022, 61(19): 180-184.
[14]	陈涛, 张越, 王玉阁, 李志英. 云南省高原山地城市紧凑度演变分析研究[J]. 湖北农业科学, 2022, 61(14): 61-67.
[15]	马立呼, 华红莲, 潘玉君, 杨晓霖, 辛会杰. 云南省旅游城镇化响应强度时空分异特征研究[J]. 湖北农业科学, 2022, 61(13): 18-23.