基于堆叠和改进的卷积神经网络:在识别叶病的新方法
Le Yang1, Xiaoyun Yu1, Shaoping Zhang1
1School of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang, China.
Frontiers in plant science
|June 22, 2023
概括
这项研究引入了一种基于堆叠的组合模型,用于准确识别叶病,达到99.69%的识别率. 这种方法为提高作物产量提供了比手动诊断更有效和更具成本效益的替代方案.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 叶病显著降低作物产量,需要有效的识别方法.
- 手动识别疾病往往是低效和昂贵的.
- 准确的疾病诊断对于及时干预和产量改善至关重要.
研究的目的:
- 开发一种高效,准确的基于堆叠的集体学习模型,用于识别叶疾病.
- 在速度和成本方面克服手动识别的局限性.
- 为植物疾病识别提供一种可靠的方法.
主要方法:
- 使用四个卷积神经网络 (改进的AlexNet,改进的GoogLeNet,ResNet50,MobileNetV3) 作为基础学习者构建了一个基于堆叠的集合模型.
- 一个支持向量机器 (SVM) 被用作子学习器.
- 使用单个模型,不同的组合组合和各种数据集进行了比较实验.
主要成果:
- 提出的基于堆叠的组合模型在叶疾病数据集上实现了99.69%的识别率.
- 整体模型表现出优异的性能,与单个基底模型相比.
- 该模型还在一般植物疾病数据集上显示出有效性.
结论:
- 开发的基于堆叠的组合模型为识别大米叶病提供了高度准确和高效的方法.
- 这种方法比传统的手工方法有了显著的改进.
- 该模型显示了在植物疾病识别系统中更广泛应用的潜力.
