通过卷积神经网络检测病的进展:综合性综述

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 米是全球主食,受到疾病威胁,影响粮食安全.
• 现有的检测方法对于各种农业条件是不够的.
• 技术进步对于可持续农业至关重要.

研究的目的:

• 审查人工智能 (AI) 的全球研究,特别是卷积神经网络 (CNN),用于检测病.
• 分析数据集,算法和AI驱动的水疾病识别中的性能指标.
• 在这个跨学科领域确定挑战和未来的研究方向.

主要方法:

• 关于人工智能和大米疾病检测的121篇研究论文的综合文献综述.
• 数据来源的分析,数据集的地理分布,以及预处理策略.
• 综合各种CNN模型,超参数优化技术和性能评估指标 (准确性,精度,回忆,F1分数).

主要成果:

• 人工智能,特别是CNN,显示出精确和早期识别病的巨大潜力.
• 研究在地理上分布在印度,孟加拉国,土耳其,中国和巴基斯坦.
• 有效的超参数调整对于最佳模型性能至关重要.

结论:

• 人工智能集成,特别是CNN,对于提高病检测和确保全球粮食安全至关重要.
• 需要进一步的跨学科研究来应对当前的挑战,并推进农业技术.
• 优化基于区域差异的AI模型是可持续农业的关键.