TOMMicroNet:用于基于智能手机的微观检测西红生物和非生物植物健康问题的卷积神经网络

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:

• 精准农业依赖于植物疾病的早期检测,以实现高效的作物生产.
• 传统的实验室诊断在偏远的农业地区往往无法获得.
• 智能手机的可访问性为低成本,现场植物健康监测提供了一个潜在的平台.

研究的目的:

• 开发和评估基于人工智能的系统,用于基于图像的番茄植物疾病的检测和分类.
• 引入一种新的数据集和一种用于番茄微图分析的深度学习模型.
• 用不同的数据训练策略来评估模型的性能.

主要方法:

• 用智能手机附着的30×显微镜头创建了一个包含8500张图像的数据集,涵盖了34种西红植物条件.
• 在这个数据集上开发和训练了一个14层卷积神经网络 (CNN),TOMMicroNet.
• TOMMicroNet的性能与使用两个数据分组管道的六个预训练CNN模型进行了比较.

主要成果:

• 在培训和外部数据集上,TOMMicroNet实现了95%的分类准确度.
• 与基于子集的训练相比,当该模型在完整的数据集上进行训练时,该模型表现出了优异的性能.
• 开发的方法显示了高的分类准确性,即使在不熟悉的数据.

结论:

• 经过全面的微图像数据集培训的TOMMicroNet提供了一个实用和准确的解决方案,用于识别番茄植物健康问题.
• 这种人工智能驱动的基于移动的系统具有显著的潜力,可以提高农业的现场疾病检测.
• 该研究强调了使用可访问的智能手机技术用于先进的植物疾病诊断的可行性.