基于一种新的定制卷积神经网络和浅层分类器的果蔬叶病识别

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 果蔬植物疾病的准确诊断对于作物产量和质量至关重要.
• 手动识别疾病是具有挑战性的,因为视觉相似性,时间限制,以及需要专家知识.
• 现有的方法经常与微妙的疾病指标作斗争,需要大量的专家投入.

研究的目的:

• 开发一个自动化的深度学习框架来分类果和黄瓜叶病.
• 解决手动疾病识别的局限性,包括时间消耗和主观性.
• 提高农业植物病检测的准确性和效率.

主要方法:

• 采用了使用Bi-LSTM和Haze降低的混合对比增强技术.
• 两个定制的深度学习模型,瓶残留与自我注意 (BRwSA) 和反向瓶残留与自我注意 (IBRwSA),被开发和训练.
• 使用改进的人类学习优化算法进行特征提取,融合和优化,然后使用浅宽神经网络 (SWNN) 进行分类.
• 可解释的人工智能 (LIME) 用于模型解释性.

主要成果:

• 拟议的框架实现了高分类准确度,果数据集达到94.8%,黄瓜叶数据集达到94.9%.
• 基于混合增强和定制关注的模型有效地突出了生病的植物区域.
• 优化算法成功地减少了测试时间,同时提高了分类性能.
• 可解释的人工智能为分类模型的决策过程提供了洞察力.

结论:

• 开发的深度学习框架为自动植物疾病分类提供了强大而准确的解决方案.
• 注意力机制和优化算法的集成提高了叶病识别系统的性能.
• 这种方法在精准农业中具有很大的实际应用潜力,有助于农民在早期发现疾病.