一种集体深度学习模型方法,使用图像分析来对棉花作物进行分类,在支持人工智能的智能农业中
Muhammad Farrukh Shahid1, Tariq J S Khanzada2,3, Muhammad Ahtisham Aslam4
1FAST School of Computing, National University of Computer & Emerging Sciences, Karachi, 75030, Pakistan. mfarrukh.shahid@nu.edu.pk.
Plant methods
|July 14, 2024
概括
使用深度学习 (DL) 和计算机视觉 (CV) 早期检测棉花植物疾病可以显著改善作物产量和经济结果. 连续波形转换 (CWT) 功能增强了DL模型的性能,用于疾病识别.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 农业对于经济稳定至关重要,但作物疾病和害虫威胁到产量.
- 早期发现和预防对于成功的作物管理和经济繁荣至关重要.
研究的目的:
- 利用先进的计算机视觉和人工智能开发一个用于检测健康和不健康棉花植物的框架.
- 通过特征提取和集体学习来提高疾病检测的准确性.
主要方法:
- 使用了深度学习 (DL) 模型,包括AlexNet,GoogLeNet,InceptionV3和VGG-19.
- 使用的特征提取技术:连续波形变换 (CWT) 和快速里埃变换 (FFT).
- 实施了一个集体学习框架,以合并单个模型预测,以提高准确性.
主要成果:
- 使用CWT提取的特征在DL模型输入方面优于FFT的特征.
- 谷歌LeNet通过CWT功能实现了93.4%的准确性,紧随其后的是AlexNet (93.4%) 和InceptionV3 (91.8%).
- 集体学习框架使用CWT功能达到98.4%的准确性,优于FFT功能.
结论:
- 通过CWT提取的尺度图特征允许使用DL模型更准确地检测植物状况.
- 在棉花植物中早期发现疾病会导致提高产量和利能力,对经济产生积极影响.


