针对棉花田杂草分类，将AkidaNet转换到脉冲域后的性能评估

《Scientific Reports》：Performance evaluation of AkidaNet converted to spiking domain for the classification of weeds in cotton fields

　　

摘要

棉花田中的杂草侵害对棉绒产量构成了严重威胁。消除杂草的方法包括喷洒除草剂、人工拔除或使用自动化机械。这类机械中运用了机器学习（ML）和深度学习（DL）模型来进行杂草的分类与检测。与机器学习模型相比，基于神经网络的深度学习模型具有更强的特征提取能力。本文采用了脉冲神经网络（SNN）来对棉花田中常见的杂草图像进行分类。通过将AkidaNet卷积神经网络（CNN）模型通过BrainChip的软件工具转换为SNN，并利用迁移学习技术，实现了对6类杂草的分类。该过程还包括对参数进行量化处理，以便于在神经形态设备上进行转换和部署。文中给出了训练数据和验证数据的分类准确率及损失指标。训练数据对应的准确率和损失值分别为96.26%和26.67%，而验证数据则为93.58%和31.16%。在转换为SNN之前，经过量化处理后的准确率为87.96%；引入量化感知训练（QAT）后，准确率提升至90.74%。从CNN转换为SNN之后，测试数据的模型准确率为94.44%。这些结果表明，基于SNN的模型能够在降低计算成本的同时保持较高的分类准确率，因此非常适合部署在节能型神经形态系统中。这种方法在精准棉花种植中的实时自动杂草检测方面具有巨大潜力。