AppleLeafNet:一个轻量级和高效的深度学习框架,用于诊断果叶病
Muhammad Umair Ali1, Majdi Khalid2, Majed Farrash2
1Department of Artificial Intelligence and Robotics, Sejong University, Seoul, Republic of Korea.
Frontiers in plant science
|December 12, 2024
概括
一个新的轻量级深度学习模型准确地识别了果叶病. 这种两阶段的方法在检测健康或生病的叶子和诊断特定条件,如生和等方面达到很高的准确性.
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:
- 准确的果疾病识别对于行业的可持续性和果质量至关重要.
- 分析复杂的叶子图像以检测疾病带来了重大的计算挑战.
- 现有的深度学习模型对于实际的现场应用可能是资源密集的.
研究的目的:
- 开发一种新的,轻量级的深度学习模型,以有效识别果叶病.
- 实施初始状况评估和随后疾病分类的两阶段框架.
- 用公开可用的数据集来评估模型的性能.
主要方法:
- 一个定制的37层轻量级深度学习模型是从头开始设计的.
- 该模型首先被训练来将叶子分为健康或生病的.
- 转移学习是使用训练模型对特定疾病 (生,复杂,,青眼) 的分类进行应用的.
主要成果:
- 两阶段的框架在识别果叶状况方面实现了98.25%的准确性.
- 该模型在诊断特定的果叶病时表现出98.60%的准确性.
- 与预先训练的模型相比,开发的模型明显更轻,可学习的参数较少.
结论:
- 拟议的轻量级深度学习模型为果疾病的识别提供了有效和高效的解决方案.
- 这种两阶段的方法提高了对各种果叶状况的诊断精度.
- 该模型为改善果生产和疾病管理提供了一个实用的工具.
