基于TensorRT的植物叶片病害实时检测分类模型优化

摘要：

为了提高边缘计算设备对植物叶片病害检测的识别速率,本研究采用卷积神经网络搭建了植物叶片目标识别模型和植物叶片病害分类模型,并且使用OpenCV将两个模型整合成植物叶片病害检测系统.通过SSD(single shot multibox detector)算法对植物叶片的目标区域进行定位并裁剪,再利用植物叶片病害分类模型对裁剪的植物叶片区域进行病害分类.同时,通过TensorRT加速推理对分类模型进行优化处理,以及在同一台主机设备和Jetson Nano计算平台上,对优化前后的模型进行了对比实验.实验表明,在同一主机设备上优化后的植物分类模型识别速率提升22倍.同时,优化后的分类模型使植物叶片病害检测系统识别速率提升7倍.而将优化后的系统部署在Jetson Nano计算平台上,对比优化前的植物叶片病害检测速率提升10倍,实现了实时的植物叶片病害检测.

关键词：卷积神经网络(CNN)、植物叶片检测、OpenCV、TensorRT

所属期刊栏目：32

分类号：TM73;TP391.41;U484

资助基金：广东邮电职业技术学院校级质量工程项目;广东省职业技术教育学会第四届理事会科研规划项目;广东省普通高校特色创新类项目

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：94-101