基于Inception与Residual组合网络的农作物病虫害识别

针对我国农作物病虫害识别方法中存在的速度慢、主观性强、所需专业知识要求高以及识别成本高等问题,提出一种基于Inception与Residual结构组合的Inception-resnet-v2网络模型的农作物病虫害识别方法,以实现精准高效的农作物病虫害识别。网络使用residual结构,采用跨层连接方式将低层特征与高层特征进行组合学习以增加网络深度。同时加入了Inception结构,既能保持网络结构的稀疏性,又能利用密集矩阵的高计算性能,加快了训练速度。最后通过Softmax分类器进行多分类预测。与传统方法相比,本文方法收敛速度更快,不仅准确率达到96.67%、精确度达到90.77%、召回率达到89.72%,还使病虫害识别的不同类别更加均衡,改善了传统方法中对特定类别识别效果差的问题。

雾计算架构在环境监控系统中的应用

为了研究沉香和种植环境之间的联系,传统方法是采用人工实地测量,但是这种方法存在着人为工作量大、测量面积大、不能实时监控等问题。本文针对现有问题,从监控方式作为切入点,对基地环境和监测设备管理需求进行分析,以成熟的物联网技术作为基础,建立起远程物联网监控系统。该系统可以帮助管理人员以异地远程方式来监控种植区域情况,取代了管理人员需要实地测量。