基于深度学习方法识别植物疾病的分析
Xulu Gong1,2, Shujuan Zhang1
1College of Agricultural Engineering, Shanxi Agricultural University, Jinzhong 030801, China.
The plant pathology journal
|August 8, 2023
概括
像YOLOv3和Faster R-CNN这样的深度学习模型可以在现实领域条件下检测多种果叶病. 这项研究引入了一个新的数据集,以改善早期和准确的作物疾病识别.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 植物病严重影响作物产量和农业经济,需要及早准确的鉴定.
- 目前用于植物疾病分类的深度学习模型往往缺乏现实世界的现场数据,并且难以同时检测多种疾病.
- 对象检测方法在实际农业应用中提供了一个有希望的解决方案,以克服这些局限性.
研究的目的:
- 开发和评估基于深度学习的对象检测模型,用于在现实现场环境中识别果叶病.
- 通过创建一个新的关于果叶病的注释数据集来解决现有数据集的局限性.
- 为了比较Faster R-CNN和YOLOv3架构用于果叶病检测的性能.
主要方法:
- 在现实现场环境中捕获的注释果叶病数据集的构建.
- 在构建的数据集上培训和评估Faster R-CNN和YOLOv3深度学习架构.
- 使用各种评估指标对模型性能进行比较分析.
主要成果:
- 深度学习模型,特别是YOLOv3和Faster R-CNN,证明了在现场条件下检测果叶病的可行性.
- 该研究强调了每个测试的深度学习架构的优缺点.
- 新建的数据集有助于弥补现有植物疾病研究中缺乏现实世界的数据.
结论:
- 基于深度学习的对象检测方法,如YOLOv3和Faster R-CNN,在复杂的现场环境中有效识别多种果叶病.
- 开发的数据集和评估的模型有助于推进自动化作物疾病管理.
- 进一步的研究可以建立在这些发现的基础上,以加强人工智能在农业中用于疾病监测的实际应用.
