先进的深度学习技术用于早期预测花菜植物的疾病
G Prabu Kanna1, S J K Jagadeesh Kumar2, Yogesh Kumar3
1School of Computer Science and Engineering, VIT Bhopal University, Bhopal-Indore Highway, Kothrikalan, Sehore Madhya Pradesh - 466114, India.
Scientific reports
|October 27, 2023
概括
这项研究使用深度转移学习来准确识别花菜的疾病,提高农业的可持续性和粮食安全. 像EfficientNetB1这样的先进模型在检测细菌斑点腐烂和菌等问题上显示出高准确度.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 农作物疾病威胁到发展中国家的粮食安全和农民生计.
- 由于数据和监测挑战,对花菜疾病的鉴定存在有限的研究.
- 准确的疾病检测对于有效的农业管理至关重要.
研究的目的:
- 通过深度转移学习,提高农村农业中花菜疾病的识别和检测.
- 为应对疾病监测不足和有限的高质量数据集的挑战.
- 探索自动化花菜疾病分类的重要性.
主要方法:
- 在VegNet数据集中的四个花菜病类上训练和评估了十个深度转移学习模型 (EfficientNetB0-B4,Xception,MobileNetV2,DenseNet201,InceptionResNetV2,ResNet152V2).
- 使用包括精度,损失,精度,回忆和F1分数在内的指标评估模型性能.
- 专注于细菌斑点腐烂,黑色腐烂,菌和健康的花菜分类.
主要成果:
- EfficientNetB1实现了最高的验证准确性 (99.90%),最低的损失 (0.16),以及最低的根平均平方误差 (0.40).
- 所有评估的深度转移学习模型都在对花病的分类方面表现出强大的能力.
- 该研究成功地分类了四个不同的花菜疾病类别.
结论:
- 先进的卷积神经网络 (CNN) 模型对于自动化花菜疾病检测和分类至关重要.
- 这些自动化系统可以带来强大的疾病管理应用程序,使农民和消费者受益.
- 深度转移学习为改善农业监测和保护作物产量提供了强大的解决方案.
