基于智能手机的番茄叶病检测系统使用EfficientNetV2B2及其与人工智能 (AI) 的解释性
Anjan Debnath1, Md Mahedi Hasan1, M Raihan1
1Department of Computer Science and Engineering, North Western University, Khulna 9100, Bangladesh.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究引入了一种自动化系统,用于使用EfficientNetV2B2和深度学习 (DL) 检测西红植物疾病. 该系统达到近100%的准确性,有助于可持续农业和减少作物损失.
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:
- 番茄病导致大量的农业产量和经济损失.
- 及时发现疾病对于有效的管理和缓解至关重要.
- 早期检测可以提高产量,减少化学品的使用,并有利于国家经济.
研究的目的:
- 开发一种精确有效的自动化系统,用于识别各种番茄植物疾病.
- 分析番茄叶的图像,以诊断疾病.
- 创建一个用户友好的应用程序,以准确识别番茄叶病.
主要方法:
- 利用EfficientNetV2B2模型,一个深度学习 (DL) 架构,用于图像分类.
- 雇员转移学习 (TF) 具有先前存在的权重和256层密集层用于模型培训.
- 开发了健康和病变的西红叶的高分辨率图像数据集.
主要成果:
- 使用5倍交叉验证实现了99.02%的平均加权训练准确率和99.22%的平均加权验证准确率.
- 分解方法的结果是99.93%的训练准确率和100%的验证准确率.
- 深度学习方法在用于识别番茄叶病的测试数据集上显示了近100%的准确性.
结论:
- 开发的自动化系统准确诊断番茄叶病,使得可以做出明智的管理决策.
- 该系统通过快速疾病识别来支持可持续的番茄种植实践.
- 在智能手机和在线应用程序中部署为用户提供了可访问和准确的疾病诊断.
