基于多尺度残余网络融合SENetet的木叶病的识别
Chunming Wen1,2,3, Wangwang He3, Wanling Wu3
1Key Laboratory of Intelligent Unmanned System and Intelligent Equipment, Education Department of Guangxi Zhuang Autonomous Region, Nanning, China.
PloS one
|February 23, 2024
概括
一个新的深度学习模型准确地识别了木叶病,这对丝虫健康和子生产至关重要. 这种自动化方法克服了手动检测疾病的局限性,提高了农业效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 树叶对于丝虫种植至关重要,直接影响子的产量和质量.
- 树叶病对农业生产率构成重大威胁.
- 手动识别木叶病是主观的,耗时的,容易出现错误.
研究的目的:
- 开发一种自动化和准确的系统来识别木叶病.
- 解决传统手动疾病识别方法的局限性.
- 提高在木种植中检测疾病的效率和可靠性.
主要方法:
- 一个与挤压和刺激网络 (SENet) 融合的多尺度残留网络被提议用于疾病识别.
- 数据集使用诸如亮度增强,对比度调整,翻转和高斯噪声等技术来增强.
- 采用多尺度卷积和SENet集成来改善特征提取和模型稳定性.
主要成果:
- 拟议的模型实现了98.72%的高识别精度.
- 优秀的表现也表现出了98.73%的召回率和98.72%的F1得分.
- 该模型的性能优于现有方法,表明了卓越的识别能力.
结论:
- 开发的深度学习模型为自动检测木叶病提供了有效的解决方案.
- 这项技术可以作为一种有价值的技术参考,用于鱼养殖中的智能疾病管理.
- 这些发现有助于改善丝虫的健康状况和生产的整体效率.
