在异质区域数据集上检测受真菌影响的多作物疾病,使用修改后的ResNeXt方法

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:

• 农作物疾病严重威胁全球粮食生产.
• 真菌感染是导致作物损坏和真菌毒素风险的主要生物因素.
• 检测真菌病,特别是在不同地区,需要先进的方法.

研究的目的:

• 开发和评估一个深度学习模型,用于在特定作物中准确检测真菌病.
• 解决在各种农业数据集中识别真菌病的研究不足的领域.
• 改善早期检测真菌病,以减轻经济损失和健康风险.

主要方法:

• 开发了一个修改后的ResNeXt卷积神经网络 (CNN) 架构.
• 该模型在14408张图像的基准数据集上进行了训练和验证,其中包括果,果和瓜的真菌病.
• 性能与已建立的深度学习模型 (如Inception-v7和ResNet) 相比较.

主要成果:

• 与现有方法相比,修改后的ResNeXt模型表现出优越的性能.
• 在基准数据集上实现了98.92%的准确性.
• 获得了高精度,回忆和F1分数超过99%的真菌疾病分类.

结论:

• 拟议的修改后的ResNeXt模型对于在关键作物中检测真菌病非常有效.
• 这种方法为区域性真菌病监测和管理提供了一个强大的解决方案.
• 这些发现突显了定制深度学习在提高农业生物安全方面的潜力.