研究图像识别的西红叶疾病基于改进的AlexNet模型的研究

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:

• 传统的图像识别在有效的特征提取和植物疾病识别速度方面扎.
• 准确及时检测番茄叶病对于作物管理和产量优化至关重要.

研究的目的:

• 开发一个改进的AlexNet模型,以加强番茄叶病的分类和识别.
• 解决与传统方法相关的特征提取和识别时间的局限性.

主要方法:

• 使用定向梯度 (HOG) 和局部二进制模式 (LBP) 的历史图用于加权特征融合.
• 从PlantVillage数据集中应用转移学习来训练改进的AlexNet模型.
• 使用Keras深度学习框架和Python编程语言实现了该模型.

主要成果:

• 对HOG和LBP特征的加权融合实现了最高的识别率97.2%,比率为3:7.
• 改进的AlexNet模型在识别率,回忆率,准确性和F1分数方面超过了传统的AlexNet,HOG+LBP+SVM和VGG模型.
• 与最先进的卷积神经网络模型相比,实现了98.83%的识别精度和0.994的F1得分.

结论:

• 改进的AlexNet模型展示了优秀的融合,快速的预测速度和低损失率,用于识别8种类型的番茄叶病.
• 拟议的方法提供了一种有效和高效的作物疾病识别方法,为农业研究提供了有价值的参考.