Оценка эффективности AkidaNet, преобразованной в спайковую нейронную сеть, для классификации сорняков на хлопковых полях

Засорённость хлопковых полей представляет серьёзную угрозу производству хлопкового волокна. Сорняки уничтожают посредством опрыскивания гербицидами, ручного удаления или с помощью автоматизированной техники. В таких машинах для классификации и обнаружения сорняков используются модели машинного обучения (ML) и глубокого обучения (DL). По сравнению с моделями машинного обучения модели глубокого обучения на основе нейронных сетей обладают более высокой способностью к извлечению признаков. В данной работе для классификации изображений сорняков, обычно встречающихся на хлопковых полях, используется спайковая нейронная сеть (SNN). Классификация шести классов сорняков выполняется с помощью трансферного обучения на основе сверточной нейронной сети (CNN) AkidaNet, которая преобразуется в SNN с использованием программных инструментов BrainChip. Процесс включает квантование параметров для обеспечения совместимости с преобразованием и последующим развертыванием на нейроморфных устройствах. Для обучающей и валидационной выборок представлены метрики точности классификации и функции потерь. В процессе обучения точность и значения функции потерь составили соответственно 96,26% и 26,67% для обучающих данных и 93,58% и 31,16% для валидационных данных. До преобразования в SNN точность, достигнутая при квантовании, составляла 87,96%. При включении обучения с учётом квантования (QAT) точность повысилась до 90,74%. После преобразования CNN в SNN точность модели на тестовых данных составила 94,44%. Результаты показывают, что модели на основе SNN способны обеспечивать высокую точность классификации при сниженных вычислительных затратах, что делает их пригодными для развертывания на энергоэффективных нейроморфных системах. Данный подход обладает значительным потенциалом для автоматизированного обнаружения сорняков в режиме реального времени в условиях точного земледелия на хлопковых полях.