评估深层卷积神经网络模型及其比较性能,用于从叶子图像中自动识别药用植物
Biplob Dey1,2, Jannatul Ferdous1, Romel Ahmed1,2
1Department of Forestry and Environmental Science, Shahjalal University of Science and Technology, Sylhet, 3114, Bangladesh.
Heliyon
|January 8, 2024
概括
深度学习模型可以从叶子图像中准确识别药用植物. DenseNet201实现了99.64%的准确性,为自动化工厂识别提供了一个强大的解决方案.
科学领域:
- 药理学和计算生物学.
- 人工智能在植物识别中的应用.
背景情况:
- 药用植物对于制药研究至关重要,但如果没有分类学专业知识,准确的识别是具有挑战性的.
- 对草药的高需求需要可靠的识别方法,特别是在农村和工业环境中.
研究的目的:
- 评估和比较七个深度学习算法的性能,用于使用叶子图像自动识别药用植物.
- 确定最有效的深度学习模型来对药用植物物种进行分类.
主要方法:
- 在一个数据集上训练了七个深度学习模型 (VGG16,VGG19,DenseNet201,ResNet50V2,Xception,InceptionResNetV2,InceptionV3),其中包括30种药用植物的5878张图像.
- 使用了两种数据方法:公共图像 (PI) 和复杂背景 (PFI) 的公共和现场图像的混合.
主要成果:
- DenseNet201表现出卓越的性能,在PI数据集上实现了99.64%的准确性和98.31%的精度.
- 对于PFI数据集,DenseNet201获得了97%的准确性,显示了复杂背景的稳定性.
- 所有评估的模型都表现出了对家族间和物种间变异的分类能力,尽管准确性各不相同.
结论:
- 深度学习模型,特别是DenseNet201,对于从叶子图像中自动识别药用植物非常有效.
- 这些发现支持开发用户级应用程序,以提供可访问和准确的药用植物识别.
