混合组合 - 深度转移模型用于早期麻豆叶病疾病分类.
Kiruthika V1, Shoba S2, Madan Sendil3
1School of Electronics Engineering, Vellore Institute of Technology, Vandalur Kelambakkam Road, Chennai, 600127, Tamilnadu, India.
Heliyon
|September 9, 2024
概括
这项研究引入了一种混合深度学习模型,用于早期检测麻叶病. 新型组合方法显著提高了识别植物疾病的准确性,这对粮食安全至关重要.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 香是非洲和亚洲的重要碳水化合物食物来源.
- 麻瓜叶病严重影响作物生产.
- 准确和早期发现疾病对于作物产量和粮食安全至关重要.
研究的目的:
- 开发一种有效的方法,用于早期检测麻豆叶病.
- 为了应对疾病分类中不平衡数据集的挑战.
- 通过使用深度学习来提高自动化麻瓜疾病识别的准确性.
主要方法:
- 开发了一种混合组合-深度转移模型方法.
- 利用数据增强技术来平衡数据集.
- 创建了三种新的混合模型:集团 ((InceptionV3+DenseNet-BC-121-32 + Xception),集团 ((ResNet50V2+DenseNet-BC-121-32),以及集团 ((ResNet50V2+ResNet50). 在这个模型中,我们可以使用多种类型.
主要成果:
- 拟议的混合组合模型表现出高性能.
- 在五个类别的分类中达到最高准确率88.83%.
- 在使用Ensemble ((InceptionV3+DenseNet-BC-121-32 + Xception) 模型进行两类分类时获得了最高准确率97.89%.
结论:
- 混合集团深度转移模型方法对早期发现麻豆叶病有效.
- 数据增强和组合方法显著提高了分类准确性.
- 开发的模型为自动化植物疾病诊断提供了一个有希望的解决方案.


