早期 (Populus) 通过计算机视觉,YOLOv8和对比拉伸技术检测基于叶子的疾病
Furkat Bolikulov1, Akmalbek Abdusalomov1,2, Rashid Nasimov2
1Department of Computer Engineering, Gachon University, Sujeong-Gu, Seongnam-si 461-701, Republic of Korea.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
这项研究引入了来自不同地区的叶病的新数据集,利用先进的卷积神经网络 (CNN) 进行准确的识别. 这些发现支持改善对重要的树资源的疾病管理.
科学领域:
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
- 农业科学 农业科学
背景情况:
- 树对工业和环境可持续性至关重要,需要有效的疾病管理策略.
- 准确检测和分类植物疾病对于保持树木健康和生产力至关重要.
- 卷积神经网络 (CNN) 为植物疾病诊断中的视觉分析提供了强大的工具.
研究的目的:
- 介绍一个新的,公开可用的数据集,来自乌兹别克斯坦和韩国的患病的叶.
- 加强病研究数据集的地理多样性和适用性.
- 开发一种改进的方法来检测和分类常见的叶病.
主要方法:
- 手动收集来自不同地理位置的患病叶图像.
- 创建一个新的数据集,包括"Parsha (Scab)","棕色斑点"",白色灰色斑点"和"".
- 应用YOLOv8卷积神经网络 (CNN) 模型用于疾病分类.
- 实施对比拉伸技术以提高图像质量和模型性能.
主要成果:
- 建立了一个新的,地理上多样化的病变叶数据集.
- 用对比拉伸增强的YOLOv8模型在检测和分类树疾病方面表现出更高的准确性.
- 开发的方法提供了一个可扩展的解决方案,用于树疾病监测.
结论:
- 公开可用的数据集代表了病研究的重要资源.
- YOLOv8和对比伸展的结合为自动化树疾病诊断提供了一个强大的方法.
- 这项工作有助于全球树种群的可持续管理和健康.
