相关实验视频
Updated: Jun 5, 2025
07:08
Detection of Histone Modifications in Plant Leaves
Published on: September 23, 2011
24.9K
基于机器学习的修改组合植物叶病检测模型,具有优化的K-Means集群
Vijayaganth Viswanathan1, Krishnamoorthi Murugasamy2
1Department of Artificial Intelligence and Data Science, KPR Institute of Engineering and Technology, Coimbatore, Tamil Nadu, India.
Network (Bristol, England)
|December 10, 2024
概括
本研究引入了一种自动化植物叶病检测模型. 这种新的方法达到高达92.26%的准确性,为早期疾病识别的传统方法提供了一个有希望的替代方案.
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:
- 手动植物疾病诊断对于农民来说是昂贵和耗时的.
- 在当前的农业实践中,早期发现植物叶病仍然是一个重大挑战.
- 现有的方法往往缺乏及时干预所需的精度.
研究的目的:
- 开发一种创新的,自动化的植物叶病检测模型.
- 提高识别植物叶子异常的效率和准确性.
- 为农民提供一个具有成本效益的解决方案,以早期发现疾病.
主要方法:
- 图像预处理使用对比限度自适应直方体平衡 (CLAHE).
- 通过K-means集群的叶子和异常细分,通过基于对立的鸟算法 (O-BSA) 的参数优化.
- 功能提取,然后使用优化集群机器学习 (OEML) 进行分类,也由O-BSA优化.
主要成果:
- 开发的模型在检测植物叶病方面表现出很高的有效性.
- 在疾病检测方面达到92.26%的最大准确度.
- O-BSA算法成功优化了细分和分类的参数.
结论:
- 开发的自动化模型是比传统的植物疾病检测方法有前途的进步.
- 结合CLAHE,K-means,O-BSA和OEML,为早期和准确的疾病识别提供了一个有效的解决方案.
- 这种方法可以显著帮助农民管理作物健康并减少损失.
更多相关视频
08:14LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
28.3K
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
