论文部分内容阅读
玉米是主要的粮食作物和牲畜的饲料，各国对玉米的需求量一直很大。这意味着提高玉米的产量，带动农民的经济发展也是我国亟需解决的问题。玉米的病害种类日益繁杂是制约产量提高的主要原因。因此，用计算机技术帮助农民识别玉米的病害是学者们的重点研究之一。神经网络的图像识别技术作为新兴技术，逐渐成为农作物病害识别的主流。但是神经网络(Neural Networks)模型的训练和推理对计算机的性能要求较高，一般都在云服务器中完成。
随着云计算(Cloud Computing)的发展，集中式进行数据存储和处理的问题也逐渐浮出水面。一方面需要处理的数据增多，加大了云服务器的负担;另一方面，云服务器离用户和数据源头“远”，数据传输延迟较高，不能保证处理的实时性要求。边缘计算(Edge Computing)的出现就是为了解决这两个问题。边缘计算的本质是把计算任务推向用户附近，就近提供智能化服务。快速识别玉米的病害不仅能降低农药的使用量和成本支出，还能增加玉米的产量。但是基于神经网络技术的玉米叶片病害识别技术计算量大，耗时比较长。所以它的实时性有待提高。
本文研究了在边缘计算框架下利用神经网络技术识别玉米叶片病害的方法，主要完成以下四项工作:
(1)提出了基于边缘智能图像识别的策略。Terminal-Edge协同策略把图像推理分为两部分执行，先在终端设备上执行部分程序，然后在边缘节点执行出推理结果;Terminal-Cloud协同策略和Terminal-Edge协同策略相似，也是把计算分为两部分执行，但是后部分的推理需要在云中心进行;Terminal-Edge-Cloud协同策略同时使用云计算和边缘计算，在移动设备完成数据的预处理，然后按序在边缘设备和云中心完成推理。协同策略是利用了边缘设备离数据源头近或云服务器的计算处理能力更强的优势，从而提升了图像识别系统的性能。
(2)研究了提高玉米叶片病害识别准确率的方法。因为AlexNet模型使用了Dropout技术，改善了模型的过拟合，所以本研究应用了AlexNet模型来进行玉米叶片病害的识别。通过调整模型的超参数，将准确率提高到91.83％。同时将重叠池化改为非重叠池化，池化组合为Max-Ave-Max。最后平均测试准确度达到了96.75％,并且减小了损失率。
(3)研究了AlexNet模型的计算分区。本文根据每一层计算产生的数据量大小和延迟时间来设置退出点。最终在Pooling5和Fc6之间设置退出点。在该退出点之后需要传输的数据量少、计算量大，适合在边缘端和云中心执行。
(4)分析了基于边缘智能的协同策略性能。三种策略下推理图像的准确率几乎没有差别，但是对比延迟差距却很大。单一在云中心识别图像的总延迟为606ms，而Terminal-Edge协同策略下识别图像的延迟不到云中心推理的一半。Terminal-Cloud协同策略下减少的延迟时间少很多。Terminal-Edge-Cloud策略对于本次实验结果不是最佳的，但是对于有更复杂计算的神经网络却是更好的选择。对于能量消耗发现，在GPU上执行比在CPU上小很多。根据分析发现，基于边缘智能的协同策略确实提高了图像识别的性能。
随着云计算(Cloud Computing)的发展，集中式进行数据存储和处理的问题也逐渐浮出水面。一方面需要处理的数据增多，加大了云服务器的负担;另一方面，云服务器离用户和数据源头“远”，数据传输延迟较高，不能保证处理的实时性要求。边缘计算(Edge Computing)的出现就是为了解决这两个问题。边缘计算的本质是把计算任务推向用户附近，就近提供智能化服务。快速识别玉米的病害不仅能降低农药的使用量和成本支出，还能增加玉米的产量。但是基于神经网络技术的玉米叶片病害识别技术计算量大，耗时比较长。所以它的实时性有待提高。
本文研究了在边缘计算框架下利用神经网络技术识别玉米叶片病害的方法，主要完成以下四项工作:
(1)提出了基于边缘智能图像识别的策略。Terminal-Edge协同策略把图像推理分为两部分执行，先在终端设备上执行部分程序，然后在边缘节点执行出推理结果;Terminal-Cloud协同策略和Terminal-Edge协同策略相似，也是把计算分为两部分执行，但是后部分的推理需要在云中心进行;Terminal-Edge-Cloud协同策略同时使用云计算和边缘计算，在移动设备完成数据的预处理，然后按序在边缘设备和云中心完成推理。协同策略是利用了边缘设备离数据源头近或云服务器的计算处理能力更强的优势，从而提升了图像识别系统的性能。
(2)研究了提高玉米叶片病害识别准确率的方法。因为AlexNet模型使用了Dropout技术，改善了模型的过拟合，所以本研究应用了AlexNet模型来进行玉米叶片病害的识别。通过调整模型的超参数，将准确率提高到91.83％。同时将重叠池化改为非重叠池化，池化组合为Max-Ave-Max。最后平均测试准确度达到了96.75％,并且减小了损失率。
(3)研究了AlexNet模型的计算分区。本文根据每一层计算产生的数据量大小和延迟时间来设置退出点。最终在Pooling5和Fc6之间设置退出点。在该退出点之后需要传输的数据量少、计算量大，适合在边缘端和云中心执行。
(4)分析了基于边缘智能的协同策略性能。三种策略下推理图像的准确率几乎没有差别，但是对比延迟差距却很大。单一在云中心识别图像的总延迟为606ms，而Terminal-Edge协同策略下识别图像的延迟不到云中心推理的一半。Terminal-Cloud协同策略下减少的延迟时间少很多。Terminal-Edge-Cloud策略对于本次实验结果不是最佳的，但是对于有更复杂计算的神经网络却是更好的选择。对于能量消耗发现，在GPU上执行比在CPU上小很多。根据分析发现，基于边缘智能的协同策略确实提高了图像识别的性能。