早期检测植物叶病使用堆叠混合学习
1Department of Computer Science, College of Engineering and Computer Science, Jazan University, Jazan, Saudi Arabia.
PloS one
|November 22, 2024
概括
早期发现作物疾病是具有挑战性的. 这项研究使用了对叶子图像的集体深度学习,实现了99.75-100%的准确性,用于自动识别疾病,改进了手动方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 手动识别农作物疾病和害虫是耗时的,昂贵的,并且由于过度使用农药而对环境产生严重影响.
- 像粘性陷这样的现有方法需要手动分析,这给大规模现场监测带来了局限性.
研究的目的:
- 使用图像处理和机器学习开发用于早期作物疾病识别的自动化系统.
- 与传统的手动方法相比,提高疾病检测的准确性和效率.
主要方法:
- 使用混合学习方法,结合了从头开始和转移学习策略.
- 采用了一组在植物村数据集上训练的卷积神经网络 (CNN).
- 果植物叶子的图像,包括健康和生病的样本,经过了分类处理.
主要成果:
- 实现了自动疾病识别的高准确率,从99.75%到100%不等.
- 证明了合体CNN模型在基于图像属性对疾病进行分类方面的有效性.
结论:
- 使用图像处理和组合CNN的自动作物疾病检测提供了一个高度准确和高效的解决方案.
- 这种方法可以显著帮助早期识别害虫和疾病,可能减少农药应用对环境的影响.
