通过卷积神经网络在孟加拉国自动检测选定的茶叶疾病
Hafijur Rahman1, Iftekhar Ahmad2, Parvej Hasan Jon1
1Department of Food Engineering and Tea Technology, Shahjalal University of Science and Technology, Sylhet, Bangladesh.
Scientific reports
|June 18, 2024
概括
这项研究引入了一个卷积神经网络 (CNN),用于早期检测茶叶疾病,达到96.65%的准确性. 这种基于人工智能的方法有助于保障茶叶的生产和质量.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 在全球范围内,茶叶生产至关重要,但易受致病性疾病的影响,影响产量和质量.
- 早期和准确地识别茶叶疾病对于有效管理至关重要.
- 图像处理和人工智能为农业疾病检测提供了有希望的解决方案.
研究的目的:
- 利用卷积神经网络 (CNN) 开发一种用于检测特定茶叶病的自动化系统.
- 为了创建一个强大的CNN模型训练在茶叶图像的多样化数据集.
- 验证模型的性能与传统的实验室诊断方法相比.
主要方法:
- 收集了3330张茶叶图像的数据集,包括健康和患病的样本 (红,棕色,灰色).
- 使用此数据集设计和训练了一个卷积神经网络 (CNN) 模型.
- 模型预测通过微生物培养介质和显微镜分析进行了交叉验证.
主要成果:
- 开发的CNN模型在识别茶叶病时达到96.65%的高准确率.
- 该模型证明了健康茶叶与生病茶叶之间的有效区分.
- 实验室验证证实了CNN模型的诊断可靠性.
结论:
- 提出的基于CNN的方法为自动检测茶叶疾病提供了准确有效的方法.
- 这项技术在孟加拉国茶叶行业及其他领域都有很大的应用潜力.
- 使用人工智能的早期疾病检测可以帮助减轻作物损失和提高茶叶质量.
