基于密集卷积神经网络的深度学习管道,用于预先识别Diospyros kaki叶子的圆形叶子斑病,使用光学一致性断层扫描
Deshan Kalupahana1, Nipun Shantha Kahatapitiya1, Bhagya Nathali Silva2,3
1Department of Computer Engineering, Faculty of Engineering, University of Sri Jayewardenepura, Nugegoda 10250, Sri Lanka.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
这项研究引入了一种自动化方法,用于使用深度学习和光学连贯断层扫描 (OCT) 检测红豆中的圆形叶斑 (CLS). 该系统准确地识别疾病的阶段,改进了传统的检查方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 圆形叶斑 (CLS) 显著影响桃产量,目前的检测方法是主观的和耗时的.
- 视觉和破坏性检查方法的局限性需要先进的自动化解决方案来准确评估疾病.
研究的目的:
- 开发和验证一种自动化预先识别方法,用于查明鱼的CLS疾病.
- 将深度学习 (DL) 与光学连贯断层扫描 (OCT) 整合起来,以提高疾病检测的准确性和效率.
主要方法:
- 使用预先训练的DL模型 (DenseNet-121,VGG-16) 进行转移学习,用于CLS阶段分类.
- 实施了一种补充质量检查模型 (VGG-16),以区分图像质量.
- 采用LAMP和A扫描技术进行精确的数据集标签.
主要成果:
- DenseNet-121准确地区分了健康的,健康的受感染的和受感染的树叶.
- 实现了CLS阶段分类的高精度和回忆值,每个类都有特定的指标.
- VGG-16模型在图像质量区分方面获得了98.99%的准确性,提高了整体检测可靠性.
结论:
- 深度学习与OCT集成提供了一个有希望的,客观和有效的方法,用于预先识别培养中的CLS.
- 开发的方法可以实现早期干预策略,可能减少收获损失并改善作物管理.


