MTDL-EPDCLD:基于深度学习的多任务系统,用于提高玉米叶病的精确检测和诊断
Dikang Dai1, Peiwen Xia1, Zeyang Zhu2
1School of Cyber Science and Engineering, Nanjing University of Science and Technology, Nanjing 210000, China.
Plants (Basel, Switzerland)
|July 14, 2023
概括
一个新的多任务深度学习系统 (MTDL-EPDCLD) 准确检测玉米叶病. 这种人工智能工具有助于农民及时诊断,提高作物产量和粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 玉米叶病导致大量农业损失,威胁全球粮食安全.
- 准确及时检测疾病对于有效的作物管理至关重要.
研究的目的:
- 开发一个多任务深度学习系统 (MTDL-EPDCLD) 以提高玉米叶病的精确检测和诊断.
- 创建一个可访问疾病识别的移动应用程序.
主要方法:
- 一个双任务系统:任务1 (RAHSI) 使用CNN-4模型,以空间注意力来识别健康状况.
- 任务2 (FDCA) 使用定制的MobileNetV3Large-Attention模型进行细粒度疾病分类.
- 该系统使用Qt框架开发,以实现跨平台兼容性.
主要成果:
- 任务1在区分健康和病变的玉米叶子方面取得了98.73%的准确性.
- 任务2显示了94.44%的验证准确度,精度,回忆和F1得分比其他模型提高了4-8%.
- 该模型实现了0.9993的AUC,表现优于主流模型.
结论:
- MTDL-EPDCLD系统为玉米叶病的检测和诊断提供了准确有效的解决方案.
- 这项技术支持明智的疾病管理决策,有可能提高作物产量并提高粮食安全.
- 这项研究为疾病管理中的农业实践带来了有前途的进展.
更多相关视频
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
932
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
3.0K
