通过合并五个图像通道来早期检测茄子叶中的垂虫枯:一种深度学习方法
Youwei Zhang1, Dongfang Zhang2,3, Yunfei Zhang1
1College of Mechanical and Electrical Engineering, Hebei Agricultural University, Baoding, 071000, China.
Plant methods
|November 15, 2024
概括
这项研究开发了一种低成本的方法,使用多光谱摄像头和深度学习来检测早期的茄子verticillium wilt. VGG16的三重注意力模型达到86.73%的精度,使得成本有效的疾病管理.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 茄子的生产面临着巨大的损失,因为.
- 传统的疾病诊断方法昂贵而复杂.
- 现有的低成本设备提供有限的成像能力.
研究的目的:
- 开发一种具有成本效益和高效的方法,用于早期检测茄子verticillium wilt.
- 将低成本的多光谱成像与疾病诊断的深度学习相结合.
- 克服传统多光谱成像和机器学习方法的局限性.
主要方法:
- 使用了一台手动FS-3200T-10GE-NNC多光谱摄像机进行叶子成像.
- 在收集的多光谱图像上实现了信息融合,以创建一个五通道模型.
- 应用深度学习,特别是VGG16三倍注意力模型,用于疾病分类.
主要成果:
- 在测试组中,VGG16三重注意力模型获得了86.73%的精度.
- 模型验证显示高精度在48 (75%) 和72 (82%) 感染后的小时.
- 在茄子幼苗中成功启用早期诊断垂.
结论:
- 开发了一种非破坏性的,具有成本效益的方法,用于早期检测茄子垂.
- 综合多光谱成像和深度学习方法可确保高精度.
- 为农业实践提供科学基础,减少与疾病有关的作物损失.
