棉花 Fusarium 枯诊断基于在小样本中的生成对抗网络
Zhenghang Zhang1,2, Lulu Ma1,2, Chunyue Wei3
1Xinjiang Production and Construction Crops Oasis Eco-Agriculture Key Laboratory, Shihezi University College of Agriculture, Shihezi, China.
Frontiers in plant science
|January 1, 2024
概括
生成对抗网络 (GANs) 通过创建现实的疾病图像来训练卷积神经网络 (CNNs) 来显著改善棉花Verticillium wilt诊断. 农业疾病检测系统 (GAN) 的性能优于传统方法,提高了准确性和回忆力,以有效地检测农业疾病.
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:
- Verticillium枯是棉花生产的一个重大威胁.
- 准确和早期的疾病诊断对于有效的管理至关重要.
- 传统的诊断方法往往面临着有限的数据和准确性的挑战.
研究的目的:
- 评估生成对抗网络 (GANs) 的可行性,以诊断棉花Verticillium枯病.
- 将GAN与传统的数据增强和转移学习方法进行比较.
- 开发一种创新的诊断系统,用于棉花Verticillium wilt使用小样本学习.
主要方法:
- 收集和处理了一组棉花Verticillium枯图像的数据集.
- 卷积神经网络 (CNN) 被用作特征提取器.
- 生成对抗网络 (GANs) 用于样本增量,与传统方法和转移学习 (InceptionV3) 一起使用.
主要成果:
- 基于GAN的数据增强显著提高了CNN的诊断准确性和回忆率.
- 与传统增强技术相比,GAN产生了更具代表性和多样化的样本.
- GAN确保了适当的样本大小,并产生了真实的棉花疾病图像.
结论:
- 生成对抗性网络显示出强大的潜力,用于诊断棉花Verticillium枯病.
- GAN为农业疾病检测提供了一种有效的方法,特别是在有限的数据集下.
- 这些发现为其他作物中疾病检测提供了洞察力.
