印度草:印度尼西亚药用植物识别使用转移学习和深度学习
Muhammad Salman Ikrar Musyaffa1, Novanto Yudistira1, Muhammad Arif Rahman1
1Informatics Engineering, Faculty of Computer Science, Brawijaya University, Malang, 65145, East Java, Indonesia.
Heliyon
|December 11, 2024
概括
使用卷积神经网络 (CNN) 的计算机视觉可以准确地识别印度尼西亚的草本植物. ConvNeXt模型达到92.5%的准确性,有助于保护民族植物学知识和改善农业.
科学领域:
- 民族植物学 民族植物学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 印度尼西亚拥有丰富的草药植物多样性,对传统治疗和民族植物学至关重要.
- 现代化威胁着印尼宝贵的草药植物遗产的认可和保护.
- 准确的植物识别对于保持传统做法和利用营养益处至关重要.
研究的目的:
- 利用计算机视觉开发一种有效的方法来识别印尼草本植物.
- 通过转移学习卷积神经网络 (CNN) 来分类印尼草本植物.
主要方法:
- 策划了印尼草药植物图像的广泛数据集.
- 应用严格的数据预处理技术.
- 利用转移学习与五个CNN模型 (ResNet,DenseNet,VGG,ConvNeXt,Swin变压器)进行分类.
主要成果:
- ConvNeXt模型实现了最高的分类准确率92.5%.
- 一个从头开始训练的模型的准确率为53.9%.
- 关键的超参数包括指数式LR调度器,亚当优化器,交叉损失和50个训练时代.
结论:
- 通过CNN转移学习,自动识别印尼药用植物是可行的和有效的.
- 这项技术可以帮助保存民族植物学知识.
- 通过更好地种植有价值的药用资源,提高农业实践.
