一种有效的方法来对植物叶病进行分类,该方法基于新的DeepPlantNet深度学习模型

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:

• 植物疾病对全球粮食安全和农业生产力构成重大威胁.
• 目前用于植物疾病诊断的方法往往耗时,劳动密集型,缺乏准确性.
• 需要自动化,高效和可靠的植物疾病检测系统至关重要.

研究的目的:

• 开发和评估一种高效,新且轻量级的深度学习 (DL) 架构,用于植物叶病的预测和分类.
• 通过自动化方法解决传统植物病诊断方法的局限性.

主要方法:

• 提出了一种名为DeepPlantNet的新型深度学习架构,包含28个学习层 (25个卷积层和3个完全连接层).
• DeepPlantNet 模型包含了 Leaky ReLU 激活,批量规范化,防火模块以及 3x3 和 1x1 过器的组合.
• 该框架旨在有效地将植物疾病图像分为多个类别.

主要成果:

• DeepPlantNet模型实现了高分类准确性,在八类方案中达到98.49%,在三类方案中达到99.85%.
• 实验结果证明了DeepPlantNet与替代方法相比的优越性.
• 该模型有效地将植物疾病分为十个不同的组,包括果黑腐烂,桃粉和玉米常见.

结论:

• DeepPlantNet提供了一个高度准确和高效的解决方案,用于自动识别植物叶病.
• 拟议的DL模型可以显著减少财务损失,并通过早期发现疾病来提高农业产量.
• 这项技术为农民和农业专业人员提供了一个及时有效的疾病管理工具.