优化深度学习网络用于植物叶病细分和多重分类,使用叶子图像进行分类
相关实验视频
Updated: Jun 27, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
Malathi Chilakalapudi1, Sheela Jayachandran1
1School of Computer Science and Engineering (SCOPE), VIT-AP University, Andhra Pradesh, India.
Network (Bristol, England)
|April 25, 2024
概括
本研究介绍了一种优化的深度学习模型,用于自动检测植物疾病. 该模型在细分和识别植物叶上的疾病方面实现了高精度,有助于精准农业.
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:
- 植物疾病对全球农业生产构成重大威胁,造成经济,社会和环境损失.
- 手动识别植物疾病是劳动密集型,昂贵和耗时的,阻碍了及时干预.
- 植物疾病的早期检测和分类对于有效的作物管理和产量保存至关重要.
研究的目的:
- 开发一个高效和准确的自动化系统,用于植物叶病细分和识别.
- 利用优化的深度学习技术,提高疾病诊断的精度.
- 为准确农业中持续植物监测提供可扩展的解决方案.
主要方法:
- 设计并实施了一种优化的深度学习模型,用于联合植物叶片细分和疾病识别.
- 该模型在包含各种植物叶病症状的数据集上进行了训练和评估.
- 包括精度,灵敏度和特异性在内的性能指标被用于评估模型的有效性.
主要成果:
- 优化的深度学习模型实现了94.69%的最大测试准确率.
- 该模型在识别患病植物叶子方面表现出高灵敏度 (95.58%) 和特异性 (92.90%).
- 拟议的方法提供了一种有效的方法,用于早期检测植物疾病.
结论:
- 开发的深度学习模型为自动检测和识别植物疾病提供了有效的解决方案.
- 这项技术可以大大帮助农民和农业专家对抗作物疾病并减少产量损失.
- 这些发现支持将深度学习纳入精准农业,以加强作物监测和管理.
