相关实验视频
Updated: Jul 1, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种基于人工智能的新方法,用于使用基于混合池的深度神经网络自动识别茶叶疾病
Qidong Heng1, Sibo Yu2, Yandong Zhang3
1School of Public Administration, Beijing City University, Beijing, 100083, China.
Heliyon
|March 4, 2024
概括
这项研究引入了一种人工智能驱动的方法来诊断茶叶疾病,达到92.47%的准确性. 这种新的方法通过准确识别七种常见的茶叶疾病来提高生产效率.
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:
- 茶叶病对茶叶生产的质量和效率产生重大影响.
- 使用人工智能 (AI) 自动诊断疾病对现代农业至关重要.
- 现有的人工智能方法用于茶叶病的诊断需要进一步提高准确性和更广泛的疾病覆盖.
研究的目的:
- 提出一种基于人工智能的新方法,用于准确有效地诊断茶叶疾病.
- 为了增强图像分析的卷积神经网络 (CNN) 的特征提取过程.
- 提高茶叶病检测系统的分类准确度.
主要方法:
- 图像预处理以从输入图像中删除冗余信息.
- 使用基于混合聚合的卷积神经网络 (CNN) 进行特征提取,随机调整聚合层 (最大或平均).
- 采用加权的随机森林 (WRF) 模型,通过Cuckoo搜索优化 (CSO) 进行优化,用于疾病分类.
主要成果:
- 提出的方法在识别七种类型的茶叶疾病时,平均准确率为92.47%.
- 召回和精度指标分别达到92.35%和92.26%.
- 与现有技术相比,在茶叶疾病诊断方面取得了显著的改进.
结论:
- 开发的AI方法为诊断茶叶疾病提供了高度准确和高效的解决方案.
- 混合CNN和WRF方法有效地提高了特征提取和分类准确性.
- 这项技术有可能通过早期发现疾病来提高茶叶质量和生产效率.
