使用基于转移学习的植物疾病分类和检测来实现可持续农业

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:

• 准确及时检测植物疾病对于全球粮食安全和可持续农业至关重要,与联合国可持续发展目标保持一致.
• 现有的疾病检测方法面临着诸如过度装配和细特征提取方面的困难等挑战.
• 手动实验室诊断是昂贵的,耗时的,劳动密集型的,突出了智能农业中自动化解决方案的需要.

研究的目的:

• 开发和评估新的深度学习模型,以有效和准确地早期检测和分类植物疾病.
• 通过利用深度转移学习和组合技术来解决当前方法的局限性,以提高识别精度.

主要方法:

• 引入了两个植物疾病检测 (PDDNet) 模型:早期融合 (AE) 和领先投票组合 (LVE).
• 集成了9个预训练的卷积神经网络 (CNN),包括DenseNet201,ResNet101和EfficientNetB7,通过深度特征提取进行了微调.
• 使用PlantVillage数据集 (54,305张图像,15个类) 和后勤回归分类器进行性能评估和比较分析.

主要成果:

• 拟议的PDDNet-AE和PDDNet-LVE模型实现了高检测精度,分别为96.74%和97.79%.
• 这些模型与单个CNN和最先进的方法相比,展示了优越的稳定性和概括能力.
• 整体方法有效地减轻了细特征提取和过拟合问题的复杂性.

结论:

• PDDNet模型在自动检测植物疾病方面取得了重大进展,提高了效率和准确性.
• 这项研究为智能,可持续的农业提供了坚实的框架,有助于改善作物管理和粮食安全.
• 这些发现验证了深度转移学习和组合方法在农业复杂的图像分类任务中的有效性.