通过具有指数移动平均线融合的自适应组合模型和增强的加权梯度优化,改进了番茄叶病的分类

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:

• 多种叶病对番茄产量有很大影响,需要及早检测才能有效管理.
• 现有的机器学习模型难以准确地对新型番茄疾病进行分类.
• 深度学习与群体智能相结合,为植物疾病识别提供了更高的准确性.

研究的目的:

• 提出一种全新的集体深度学习模型,用于准确分类番茄叶病.
• 提高番茄植物早期疾病检测的准确性和有效性.
• 通过精确的疾病识别,提高整体作物产量,并为农民提供更好的支持.

主要方法:

• 开发了一个集体模型,集成视觉几何组-16 (VGG-16) 和神经架构搜索网络 (NASNet) 移动架构.
• 整合了一个带有时间约束的指数移动平均函数和一个增强的加权梯度优化器.
• 在9个疾病类别的10,000张西红叶图像数据集上训练并验证了模型,其中有1000张图像用于测试.

主要成果:

• 拟议的模型实现了98.7%的高分类精度.
• 在精度 (97.9%),回忆 (98.6%) 和F1得分 (98.7%) 方面表现出卓越的性能.
• 实现了4%的低损失值和99.97%的特殊接收机操作特征曲线得分.

结论:

• 新的集体深度学习方法显著提高了番茄叶病分类准确度.
• 该方法为早期和精确检测各种番茄植物疾病提供了强大的解决方案.
• 这种进步有可能大大提高农业生产率和农民生计.