使用上下文面具自动编码器进行植物疾病识别,该自动编码器经过动态差异冷却优化算法的优化.
1Research Scholar, Department of Computer Science and Engineering, University College of Engineering (BIT Campus), Anna University, Tiruchirappalli, Tamil Nadu, India.
Microscopy research and technique
|November 3, 2023
概括
这项研究引入了一种新的人工智能方法,用于早期检测植物疾病. 与现有方法相比,拟议的PDI-CMAE-DDAOA模型显著提高了识别病变植物的准确性和灵敏性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 植物疾病显著减少了全球粮食生产,需要有效的监测.
- 手动识别植物病是耗时且容易出现错误的.
- 使用人工智能和计算机视觉的早期检测可以减轻疾病的影响并提高作物产量.
研究的目的:
- 提出一个先进的AI模型,PDI-CMAE-DDAOA,用于准确识别植物疾病.
- 通过使用动态差异冷凝优化算法 (DDAOA) 提高上下文口罩自动编码器 (CMAE) 的分类性能.
- 实现植物疾病的早期和可靠的检测,以改善农业管理.
主要方法:
- 利用植物村数据集进行图像收集和预处理,使用自适应自导过器进行预处理.
- 使用隐藏的马尔科夫模型 (CSHMM) 提取统计特征 (平均值,方差,,曲解).
- 采用DDAOA优化的语境面具自动编码器 (CMAE) 来分类健康和病变的植物区域.
主要成果:
- 与现有方法 (PDI-DENN,PDI-CAE-CNN,PDI-EN-CNN) 相比,PDI-CMAE-DDAOA模型展示了卓越的性能指标,包括准确度,精度,灵敏度,F1得分和特异性.
- 与基线模型相比,实现了更高的准确性 (例如,23.34%的改进),灵敏性 (例如,36.67%的改进),F1得分 (例如,46.67%的改进) 和特异性 (例如,56.67%的改进).
- 通过DDAOA优化,提高了CMAE的融合速度,提高了分类精度,最大限度地减少了分类错误.
结论:
- 拟议的PDI-CMAE-DDAOA为早期检测植物疾病提供了强大而高效的解决方案.
- 集成CSHMM用于特征提取和DDAOA用于CMAE优化,显著提高了分类准确性.
- 这种人工智能驱动的方法具有革命性农业实践和确保粮食安全的巨大潜力.
