从叶子到收获:通过使用DBN-EKELM先进的疾病预测实现可持续农业

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 生物技术是生物技术.

背景情况:

• 植物疾病的早期发现对于最大限度地提高作物产量和农民利能力至关重要.
• 现有的机器学习和深度学习方法经常在分类准确性和参数调整方面扎.

研究的目的:

• 开发一种先进的深度学习技术,用于早期和准确的植物疾病检测和分类.
• 引入一种新的基于深度信念网络的增强内核极端学习机器 (DBN-EKELM),用于自动识别疾病.

主要方法:

• 实施数据预处理以提高植物叶子图像质量和信息提取.
• 提出了DBN-EKELM技术,用于最佳检测植物叶病.
• 引入了一种新的二进制获取共享基于知识的优化算法 (NBGSK),用于敏感参数调整.

主要成果:

• 与传统技术相比,DBN-EKELM方法显示出更高的性能.
• 使用准确度,精度,特异性,灵敏度和F-测量进行评估.

结论:

• DBN-EKELM技术实现了高准确率,具体指标在97%-98%左右.
• 这种方法超越了现有的植物疾病检测标准方法.