使用深度学习网络与田间和温室图像进行小麦疾病的分类
Megan Long1, Matthew Hartley2,3, Richard J Morris2
1Department of Crop Genetics John Innes Centre Norwich UK.
Plant pathology
|March 22, 2024
概括
这项研究引入了新的小麦疾病数据集和深度学习模型CerealConv,在识别作物疾病方面达到97.05%的准确性. 该模型的表现优于专家病理学家,证明了其在现场有效检测疾病方面的潜力.
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:
- 农作物疾病对农业产量产生重大影响,需要早期检测才能有效管理.
- 现有的深度学习研究往往缺乏反映现实世界的现场条件的数据集,这限制了实际应用.
- 准确识别小麦叶病对于保持作物健康和生产率至关重要.
研究的目的:
- 开发和验证深度学习模型,在现实现场条件下对小麦叶病进行分类.
- 创建一个全面的小麦图像数据集,包括健康的植物和常见疾病.
- 将深度学习模型的性能与人类专家病理学家进行比较.
主要方法:
- 从田间和温室环境中策划了一套新的小麦图像数据集,其中包括健康的植物和四种疾病:黄色生,棕色生,粉状菌和Septoria叶子斑.
- 一个深度学习模型,CerealConv,使用这个数据集进行训练.
- 模型的性能与专家病理学家使用图像数据的子集进行了评估,图像面具用于可解释性.
主要成果:
- 谷物Conv模型实现了97.05%的分类准确度.
- 与训练有素的病理学家相比,该模型表现优越,精度比表现最佳的人类专家高出2%.
- 图像面具分析证实,该模型利用了相关的图像特征进行准确的分类.
结论:
- 深度学习网络,以CerealConv为例,是用于在田间环境中检测和分类作物疾病的高效工具.
- 开发的数据集和模型为推进自动化植物疾病诊断提供了坚实的基础.
- 未来的研究应该集中在疾病量化和整合到更广泛的作物管理系统.
