EResNet-SVM:一种超缓解的深度学习模型,用于识别植物疾病和害虫
Haitao Xiong1, Juan Li1, Tiewei Wang1,2
1College of Mechanical and Electrical Engineering, Qingdao Agricultural University, Qingdao, China.
Journal of the science of food and agriculture
|March 14, 2024
概括
本研究引入了EResNet支持载体机器 (SVM) 深度学习模型,以改善植物疾病和害虫识别. 该模型显著提高了准确性,减少了过度装配,有助于智能农业管理.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 精确的植物疾病和害虫识别对于智能农业管理至关重要.
- 传统的深度学习模型与表型相似性和环境干扰作斗争,导致过拟合和精度降低.
研究的目的:
- 开发一种深度学习模型,以缓解植物疾病和害虫识别中的过.
- 提高植物疾病和害虫分类模型的准确性和融合速度.
主要方法:
- 提出了一个EResNet支持向量机 (SVM) 深度学习模型.
- 通过增加卷积神经网络层来增强特征提取.
- 通过减少订单模块和稀疏激活功能的使用,减少了模型复杂性和过度装配.
- 使用与SVM和完全连接层的融合分类器来处理非线性分类问题.
主要成果:
- 在八种疾病 (七种疾病,一种正常) 中,EResNet-SVM模型实现了99.30%的测试准确性,比ResNet18的性能优于5.90%.
- 在6种昆虫害虫中实现了100%的准确性,超过了ResNet18的3.90%.
- 与AlexNet,GoogLeNet,Xception,SqueezeNet和DenseNet201模型相比,显示出了显著的准确性改进.
结论:
- 开发的EResNet-SVM模型有效地减轻了过度装配,并提高了植物疾病和害虫的识别精度.
- 提供了有价值的见解,以解决深度学习应用中的过度拟合问题.
- 为智能植物疾病和害虫检测和控制系统提供理论和技术支持.
