使用深度卷积神经网络 (DCNN) 分类器识别患病葡萄叶的多类分类
Kerehalli Vinayaka Prasad1, Hanumesh Vaidya1, Choudhari Rajashekhar2
1Department of Studies in Mathematics, Vijayanagara Sri Krishnadevaraya University, Ballari, Karnataka, India.
Scientific reports
|April 18, 2024
概括
准确识别葡萄叶病对农业至关重要. 通过VGG16增强的深度卷积神经网络 (DCNN) 分类器模型,实现了99.06%的准确性,超过了标准卷积神经网络 (CNN).
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 葡萄种植面临着来自害虫和疾病的重大威胁,影响生产力和作物质量.
- 准确及时识别葡萄叶病对于有效管理和经济稳定至关重要.
研究的目的:
- 开发和评估深度卷积神经网络 (DCNN) 分类器模型,用于分类葡萄叶病.
- 将DCNN模型的性能与标准卷积神经网络 (CNN) 模型进行比较,有或没有数据增强.
主要方法:
- 利用公开可用的葡萄叶图像数据集.
- 采用基于VGG16架构的DCNN分类器模型,结合了额外的CNN层.
- 实现了CNN模型,并没有数据增强用于比较分析.
主要成果:
- 该DCNN分类器模型实现了高准确率:99.18%的培训和99.06%的测试.
- 与研究中评估的CNN模型相比,DCNN分类器模型表现出更高的性能.
- 该模型的增强VGG16架构提高了概括能力.
结论:
- 利用VGG16和补充的CNN层,DCNN分类模型对葡萄叶病的识别非常有效.
- 该模型显示出作为农民的决策支持系统的巨大潜力,使得迅速的疾病管理成为可能.
- 这项研究验证了拟议的DCNN分类器的可靠性和农业效用.
