基于改进的SinGAN和改进的ResNet34的植物叶病识别
Jiaojiao Chen1, Haiyang Hu1, Jianping Yang1
1College of Big Data, Yunnan Agricultural University, Kunming, China.
Frontiers in artificial intelligence
|July 9, 2024
概括
本研究引入了改进的SinGAN (ReSinGN) 和ResNet34模型,用于在精准农业中更快,更准确地识别植物叶病. 改进的模型显著提高了图像质量和疾病识别准确性,解决了数据集的局限性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精准农业依赖于准确的植物叶病识别来确定作物产量和质量.
- 目前的深度学习模型面临的挑战是有限的数据集和低于最佳的准确性.
- 现有的方法在参数效率和特征提取方面扎.
研究的目的:
- 通过改进的生成对抗网络和卷积神经网络,开发一种增强的植物叶病识别方法.
- 解决农业数据集的局限性,提高深度学习模型的准确性和效率.
- 提高图像质量,以便更好地检测和诊断疾病.
主要方法:
- 拟议的基于重建的单一图像生成网络 (ReSinGN) 使用自编码器和卷积块注意模块 (CBAM) 进行图像增强.
- 在ReSinGN中包含随机像素混动,以改善数据表示和图像质量.
- 通过集成CBAM模块,使用LeakyReLU激活,并使用转移学习来更快地训练,开发了改进的ResNet34.
主要成果:
- 与SinGAN相比,ReSinGN的训练速度提高了44.6倍,并产生了更清晰的图像,Tenengrad得分提高了30.2分.
- ReSinGN模型在图像清晰度和扭曲之间实现了最佳平衡.
- 改进的ResNet34实现了对番茄叶病的识别的高性能指标,包括98.57%的准确性,96.57%的精度和98.17%的F1得分,超过了原来的ResNet34.
结论:
- 拟议的ReSinGN和改进的ResNet34有效地提高了植物叶病的识别.
- 这些方法为有限的农业数据集和模型不准确性所带来的挑战提供了可行的解决方案.
- 这项工作通过改进的疾病检测技术,有助于推进精准农业.
