使用机器学习技术分析香植物健康状况

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 香产业对印度经济至关重要,需要农业实践的进步.
• 疾病严重影响香植物的叶子,威胁到产量,需要早期检测方法.
• 使用机器学习和深度学习的自动化系统显示出预测植物疾病的前景.

研究的目的:

• 检查香叶病的预测和检测方法.
• 为提高疾病识别性能提出两种新的方法.
• 解决现有模型的局限性,特别是卷积神经网络 (CNN),关于规模和旋转不变性.

主要方法:

• 探索各种机器学习算法和疾病检测方法.
• 开发了两个替代模型:具有规模不变特征转换 (SIFT) 的人工神经网络 (ANN),以及与局部二进制模式 (LBP) 结合的面向梯度 (HOG) 基底图形 ANN.
• 使用特征提取技术来增强疾病识别能力.

主要成果:

• 包括CNN在内的现有模型在规模和旋转不变性方面遇到了困难,这限制了它们的有效性.
• 拟议的ANN-SIFT模型使用激活函数来处理SIFT提取的特征以进行复杂的模式识别.
• 拟议的ANN-HOG/LBP模型整合了组合的特征,以表示疾病识别的局部模式和梯度.

结论:

• 该研究提供了新型模型,以推进香叶病预测的理解和进展.
• 拟议的模型通过结合尺度和旋转不变性,比现有方法提供了更好的性能.
• 未来的研究应该探索视频数据集和定制的机器学习算法,以实时检测疾病.