通过强大的多层感知子模型,推进果叶变体识别
Md Fahim-Ul-Islam1, Amitabha Chakrabarty2, Rafeed Rahman1
1Department of Computer Science and Engineering, Brac University, Dhaka, Bangladesh.
Scientific reports
|November 9, 2024
概括
一个新的AI模型WaveVisionNet,使用叶子图像准确识别果品种,帮助孟加拉国的农民. 通过早期,精确的植物诊断,农业技术的这一突破改善了作物管理和产量.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 果在孟加拉国至关重要,但从叶子中识别品种是困难的.
- 现有的研究主要使用水果图像,忽视了基于叶子的分类.
研究的目的:
- 开发一种自动化系统,使用叶子图像对果类型进行分类.
- 为此目的引入了一个新的深度学习模型WaveVisionNet.
主要方法:
- 策划并增强了MangoFolioBD数据集,其中包含了16646张高分辨率的果叶图像.
- 在叶子图像数据集上开发和验证了WaveVisionNet模型,一个多层感知器.
- 评估了WaveVisionNet与视觉转换器和转移学习方法等最先进的模型相比.
主要成果:
- 在公共数据集上,WaveVisionNet实现了96.11%的高准确率,在MangoFolioBD数据集上达到95.21%.
- 该模型在果叶识别方面表现优于现有的最先进模型.
- WaveVisionNet有效地将轻量级的CNN与耐噪技术相结合,以进行强大的分析.
结论:
- 使用WaveVisionNet的自动果叶识别为农民和农业利益相关者提供了显著的好处.
- 该模型使精确的植物健康诊断成为可能,提高了农业实践和作物质量.
- 这项技术通过早期品种识别支持提高作物产量和质量.
关键词:
农业人工智能 农业人工智能果叶识别标识 果叶识别标识曼戈福利奥BD数据集多层感知子 (MLP) 多层感知子耐噪声图像分析 耐噪声图像分析在WaveVisionNet上,您可以使用WaveVisionNet.更多相关视频
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
2.8K
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
719
