基于图像细分和循环-GAN增强的新方法来检测番茄病
Anjun Yu1,2, Yonghua Xiong2,3,4, Zirong Lv2,3,4
1Jiangxi Ganyue Expressway Co., Ltd., Nanchang 330200, China.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
本研究引入了一种自动叶片细分算法 (AISG),以改进深度学习 (DL) 模型,以有限的数据来检测植物疾病. 该方法在识别十种西红疾病时达到98.61%的准确性,克服了数据稀缺的挑战.
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:
- 有限的高质量数据集阻碍了智能农业和深度学习 (DL) 模型的发展.
- 现有的图像增强方法经常产生相关的样本,并且无法有效地去除环境噪音.
- 准确的植物疾病检测对于粮食安全和农业生产率至关重要.
研究的目的:
- 开发一种自动叶片细分算法 (AISG),用于在有限的数据集中增强疾病特征提取.
- 通过解决数据稀缺性和噪声,提高DL模型用于植物疾病检测的性能.
- 通过生成对抗网络实现跨类别的图像转换以进行数据增强.
主要方法:
- 基于EISeg方法设计了一个基于EISeg方法的自动叶片分割算法 (AISG),以从背景噪声中分离叶片疾病特征.
- 利用Cycle-GAN网络进行跨类别的图像转换,以增加有限的样本数据.
- 员工转移学习训练一个移动网络模型在增强数据集的西红疾病分类.
主要成果:
- 对于十种类型的番茄病,拟议的方法实现了98.61%的分类准确率.
- 该AISG有效地将疾病特征与背景噪声分开,增强特征提取.
- 与现有方法相比,Cycle-GAN数据增强和MobileNet转移学习显著改善了模型性能.
结论:
- 开发的AISG和数据增强技术有效地解决了在番茄病检测中准确度低和培训数据不足的挑战.
- 这种方法为使用深度学习检测各种植物疾病提供了宝贵的参考.
- 该研究强调了图像增强和生成模型在推进智能农业方面的潜力.
