基于数字成像和深度学习的快速葡萄藤健康诊断

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:

• 准确检测葡萄藤疾病对于作物产量至关重要.
• 现有的深度学习模型缺乏实际的农民友好型应用.
• 需要智能系统来早期识别和预防疾病.

研究的目的:

• 开发一个智能,用户友好的软件 (AI GrapeCare) 来检测葡萄藤疾病.
• 使用RGB图像和混合深度学习网络进行诊断.
• 提供一个快速的工具来帮助农民在疾病管理.

主要方法:

• 结合卷积神经网络 (CNN),长期短期记忆 (LSTM) 和深度神经网络 (DNN).
• 雇员转移学习 (VGG16,VGG19,ResNet50,ResNet101V2) 和灰色水平共发生矩阵 (GLCM) 用于纹理分析.
• 使用了植物疾病检测 (PDD) 数据集,数据增强和基于VGG16的混合CNN-RGB-LSTM-GLCM模型.

主要成果:

• 混合CNN_RGB-LSTM_GLCM模型实现了96.6%的验证准确度,精度,回忆和F-测量.
• 在工会上实现了93.4%的交叉和0.123.3%的损失.
• 人工智能GrapeCare软件在不到一分钟的时间内提供诊断.

结论:

• 开发的AI GrapeCare系统为葡萄藤疾病检测提供了高度准确和快速的解决方案.
• 混合深度学习方法显著优于单个模型和非增强数据.
• 该框架有可能扩展到其他树木疾病诊断,帮助更广泛的农业应用.