超高分辨率无人机成像和监督深度学习用于在土豆田中准确检测Alternaria solani

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 计算机科学 计算机科学

背景情况:

• 阿尔特纳利亚索拉尼是一种主要的土豆病原体,在全球范围内造成重大作物损失.
• 目前的疾病管理依赖于化学应用和农民观察,这是不理想的.
• 深度学习为精准农业的自动化现场疾病检测提供了潜力.

研究的目的:

• 开发和评估一个深度学习模型,用于在土豆作物中自动地在现场检测Alternaria solani.
• 通过使用多样化,现实世界的数据,提高疾病检测模型的稳定性和实际适用性.
• 在不影响产量的情况下减少化学作物保护产品的使用.

主要方法:

• 收集了来自土豆田的超高分辨率RGB无人机图像数据集,跨越多年和疾病阶段.
• 开发了一个卷积神经网络 (CNN),用于对Alternaria solani存在的二进制分类.
• 在三个生长季节 (2019-2021) 的数据上训练模型,并在独立的第四年 (2022) 进行测试.

主要成果:

• 在独立测试数据上,CNN模型获得了F1得分0.93.
• 该模型显示,与最先进的疾病检测模型相比,推断时间明显较短.
• 评估了数据集大小和类不平衡对模型准确性的影响.

结论:

• 使用CNN的自动现场检测Alternaria solani是可行的和实用的.
• 开发的模型为传统的疾病管理策略提供了一个有希望的替代方案.
• 进一步的研究可以优化深度学习模型,以提高其在各种农业环境中的稳定性和适用性.