ANFIS 模糊卷积神经网络模型用于检测叶病.
Tae-Hoon Kim1, Mobeen Shahroz2, Bayan Alabdullah3
1School of Information and Electronic Engineering and Zhejiang Key Laboratory of Biomedical Intelligent Computing Technology, Zhejiang University of Science and Technology, Hangzhou, Zhejiang, China.
Frontiers in plant science
|November 21, 2024
概括
准确的叶病检测对农业至关重要. 一个新的ANFIS模糊卷积神经网络 (CNN) 与本地二进制模式 (LBP) 特性实现了超过99%的准确性来检测叶病.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 叶病对作物健康,产量和质量产生重大影响,需要早期和准确的检测方法.
- 可持续的农业和粮食安全取决于有效的疾病管理,以尽量减少作物损失和减少化学处理.
- 先进的叶病检测技术对于现代农业至关重要,因为它面临着日益增长的全球粮食需求和环境挑战.
研究的目的:
- 开发和评估一种用于检测叶病的创新方法.
- 评估与局部二进制模式 (LBP) 特征集成的自适应神经模糊推理系统 (ANFIS) 模糊卷积神经网络 (CNN) 的性能.
- 与最先进的技术对比拟的模型的有效性,有和没有LBP特征.
主要方法:
- 实现ANFIS Fuzzy CNN模型用于检测叶病.
- 与模型进行实验,无论是集成LBP功能还是不集成.
- 使用准确性,精度,回忆和F1分数的性能评估,以及对稳定性的交叉验证.
主要成果:
- 在没有LBP特征的情况下,ANFIS CNN模型实现了0.8478的精度 (精度:0.8959,回忆:0.9045,F1:0.8953).
- 整合LBP功能显著提高了模型的性能,实现准确性,精度,回忆和F1得分超过99%.
- 与现有的最先进的技术相比,提出的方法显示出优越性.
结论:
- 与LBP功能集成的ANFIS Fuzzy CNN模型为农业叶病检测提供了高度准确和高效的解决方案.
- 这种先进的方法有望在现实应用中显著改进,支持可持续的农业实践和粮食安全.
- 该研究强调了结合ANFIS,CNN和LBP的潜力,以实现强大可靠的植物疾病识别.


