为了能准确地识别植物的生长阶段从而实现智慧植物补光,设计一套能识别植物种类和生长阶段的智慧植物补光系统,其中识别植物生长阶段以ResNet18模型进行改进,用深度可分离卷积代替传统卷积,并引入SE模块(squeeze and excitation module...为了能准确地识别植物的生长阶段从而实现智慧植物补光,设计一套能识别植物种类和生长阶段的智慧植物补光系统,其中识别植物生长阶段以ResNet18模型进行改进,用深度可分离卷积代替传统卷积,并引入SE模块(squeeze and excitation module)来提高模型任务处理的效率和准确性,结合早停法和学习率衰减机制来训练,避免过拟合。以番茄为研究对象进行验证,识别其幼苗期、开花坐果期和果实成熟期。结果表明,改进ResNet18模型的识别准确率达到了96.57%,比原模型提高了4.93个百分点,单张识别时间为0.27 s,比原模型快了0.30 s,模型体积为原模型的14%,同时,改进后的模型在测试集准确率、参数量和Macro F1得分等方面都优于ResNet18、ResNet34、AlexNet和VGG16四种卷积神经网络。最后,将改进ResNet18模型应用于植物补光系统,实际识别番茄生长阶段的准确率达到了96.49%,并能输出预期的光谱。该系统能精准地识别植物种类及其生长阶段,从而调用匹配植物及其生长阶段的光配方,达到智慧补光的目的。展开更多
