先进的深度学习算法,通过基于智能手机的检测即时区分茶叶休息压力症状
Zhenxiong Huang1, Mostafa Gouda2, Sitan Ye1
1College of Biosystems Engineering and Food Science, Zhejiang University, 866 Yuhangtang Road, Hangzhou, 310058, China.
Plant physiology and biochemistry : PPB
|May 26, 2024
概括
这项研究引入了基于智能手机的深度学习系统,用于快速检测茶叶压力,包括茶叶炭菌,泡炎和晒伤. YOLOv8m模型准确地识别了压力类型和严重程度,有助于可持续茶叶生产.
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:
- 由于多种环境压力,茶叶生产面临可持续性挑战.
- 在现场,对茶叶压力的快速监测对于市场稳定至关重要.
- 现有的压力检测方法往往很慢,或者需要专门的设备.
研究的目的:
- 开发一种高效的基于智能手机的深度学习方法,用于检测和分类茶叶压力症状.
- 在复杂的自然环境中创建一个用于在现场诊断茶叶植物健康的系统.
- 评估深度学习模型的性能,特别是YOLOv8m,用于压力识别和严重程度分级.
主要方法:
- 一个大数据集由10,000多张茶园图像组成,其中包括健康的叶子和三种压力类型:茶叶甲状腺炎 (TA),茶叶泡炎 (TB) 和晒伤 (SB).
- YOLOv5m和YOLOv8m深度学习算法被调整为压力症状歧视.
- 进一步利用YOLOv8m模型开发了TA的疾病严重程度差异化模型.
主要成果:
- 在识别健康的叶子 (98%),TA (92.0%),TB (68.4%) 和SB (75.5%) 方面,YOLOv8m算法表现出卓越的性能.
- 在TA严重性模型实现了高准确性:轻度 (94%),中度 (96%) 和严重 (91%) 感染.
- 在YOLOv8m中的CNN内核有效地提取了第二层的纹理特征,这对于区分应力类型至关重要.
结论:
- 开发的系统提供了一种低成本,高精度和快速的现场诊断工具,用于茶叶压力症状.
- 智能手机和深度学习的整合为在复杂的现场条件下监测茶叶植物健康提供了有效的解决方案.
- 这种方法对茶叶生产的可持续管理和经济可行性做出了重大贡献.
