深度学习模型用于早期检测坦桑尼亚的玉米串状病毒和玉米致命亡疾病
Flavia Mayo1, Ciira Maina2, Mvurya Mgala3
1Computational and Communication Science Engineering (CoCSE), The Nelson Mandela African Institution of Science and Technology (NM-AIST), Arusha, Tanzania.
Frontiers in artificial intelligence
|September 2, 2024
概括
在坦桑尼亚,早期发现玉米疾病对农业至关重要. 深度学习模型,特别是视觉变压器 (ViT),在识别玉米菌株病毒 (MSV) 和玉米致命瘤 (MLN) 方面表现出高准确性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 农业对坦桑尼亚的经济至关重要,玉米是主要的粮食作物.
- 早期检测玉米疾病,如玉米串状病毒 (MSV) 和玉米致命缩 (MLN) 是一个重大挑战.
- 疾病识别延迟导致作物生产率下降和经济损失.
研究的目的:
- 调查深度学习模型在坦桑尼亚早期检测玉米疾病方面的潜力.
- 为了比较卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型用于疾病识别的性能.
- 解决MSV和MLN及时诊断方面的局限性.
主要方法:
- 在坦桑尼亚的阿鲁沙,吉利曼扎罗和曼加拉地区收集数据.
- 卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型的开发和培训.
- 使用了四种类型的图像数据:MLN,健康,MSV和WRONG.
主要成果:
- 视觉变压器 (ViT) 模型实现了93.1%的准确性.
- 卷积神经网络 (CNN) 模型实现了90.96%的准确性.
- 在对玉米疾病进行分类方面,ViT表现优于CNN.
结论:
- 深度学习模型,特别是ViT,在坦桑尼亚早期检测玉米疾病方面显示出重大前景.
- 开发的模型可以帮助农民及时管理疾病,提高作物产量.
- 未来的研究应该专注于移动应用程序的开发,以实现实际部署和提高精度.
