深度学习用于埃塞俄比亚土著药用植物物种的识别和分类
Mulugeta Adibaru Kiflie1, Durga Prasad Sharma2, Mesfin Abebe Haile1
1Department of Computer Science and Engineering, School of Electrical Engineering and Computing, Adama Science and Technology University, Adama, Ethiopia.
Journal of Ayurveda and integrative medicine
|November 15, 2024
概括
这项研究开发了一种深度学习模型来识别埃塞俄比亚的药用植物,VGG19.9的准确性达到94%. 微调转移学习模型显著改善了这些重要植物资源的分类性能.
科学领域:
- 计算植物学的植物学.
- 人工智能在生物多样性研究中的应用
背景情况:
- 药用植物对于传统疗法和制药药物发现至关重要.
- 准确识别埃塞俄比亚土著药用植物对于保护至关重要.
- 传统的识别方法耗时,需要专门的专业知识.
研究的目的:
- 开发一种高效的深度学习模型,用于识别埃塞俄比亚土著药用植物物种.
- 利用转移学习来提高植物分类的准确性.
主要方法:
- 由35个物种的1853张叶子图像组成的定制数据集被创建并专家标记.
- 预训练的深度学习模型 (VGG16,VGG19,Inception-V3,Xception) 进行了微调.
主要成果:
- 微调深度学习模型显著提高了培训和测试准确度.
- VGG19以94%的测试准确度达到最高,其次是VGG16 (92%),Inception-V3 (91%) 和Xception (87%).
- 该模型有效地解决了分类埃塞俄比亚药用植物的挑战.
结论:
- 微调是一种高效的策略,可以提高深度学习模型在植物识别中的性能.
- 开发的深度学习方法显示了药用植物的准确和有效分类的巨大潜力.
