相关实验视频
Updated: Jul 2, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
RiPa-Net:通过特征转换和选择培养的CNN双层识别田疾病
1Department of Electronics and Communications Engineering, College of Engineering and Technology, Arab Academy for Science, Technology and Maritime Transport, Alexandria 1029, Egypt.
Biomimetics (Basel, Switzerland)
|September 27, 2023
概括
一个新的RiPa-Net管道使用轻量级的CNN准确地识别了九种田疾病. 结合多层特征和使用光谱时间信息,可显著提高疾病识别准确度,达到97.5%.
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:
- 田疾病导致农作物产量和质量显著下降.
- 准确及时识别疾病对于有效管理至关重要.
- 深度学习 (DL) 提供了自动疾病识别的潜力,但由于微妙的类间变化,它面临着泛化挑战.
研究的目的:
- 开发一个自动化系统,准确识别和分类九种田疾病和健康作物.
- 为了解决现有的DL模型在米疾病识别中的概括限制.
- 为了提高米疾病检测的效率和准确性.
主要方法:
- 提出了一个新的管道,RiPa-Net,利用三个轻量级的卷积神经网络 (CNN).
- 从每个CNN的两个不同的层中提取了深层特征.
- 在第一层特征上使用双树复杂波段变换 (DTCWT) 集成的光谱时间信息.
- 通过主要组件分析 (PCA) 和离散等号变换 (DCT) 减少特征维度.
- 结合了第二层的空间特征与第一层的融合时间频率特征.
- 实施了特征选择流程,以保留具有影响力的特征并减少复杂性.
主要成果:
- 在RiPa-Net管道中,使用300个选定的特征的立方支向量机 (SVM) 实现了97.5%的高识别精度.
- 结合多层轻量级CNN的深度特征,提高了识别准确度.
- 整合空间-光谱-时间信息提高了模型性能.
- 与现有研究相比,提出的方法显示出具有竞争力的性能.
结论:
- RiPa-Net管道有效地识别和分类高准确度的田疾病.
- 多层特征融合和光谱时间信息的纳入是改善DL模型概括在这个领域的关键.
- 开发的系统为自动化水疾病管理提供了一个有前途的解决方案.
