先进的深度转移学习技术用于有效检测棉花植物疾病

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:

• 棉花是全球重要的经济作物,受到影响产量和质量的疾病的威胁.
• 准确的疾病鉴定对于有效管理和可持续农业至关重要.
• 图像识别和深度学习为早期发现作物疾病提供了强大的工具.

研究的目的:

• 研究用于检测棉花植物疾病的深度转移学习模型.
• 评估各种模型的性能,包括EfficientNet,Xception,ResNet,Inception,VGG,DenseNet,MobileNet和InceptionResNet. 这三种模型的性能.
• 为了确定最有效的模型,准确和高效的棉花病诊断.

主要方法:

• 利用了健康和患病的棉花植物图像的数据集 (细菌瘟疫,目标点,粉,虫,军).
• 应用图像预处理和特征提取技术 (轮生成,点识别,裁剪,自适应值).
• 评估了多种深度转移学习模型用于疾病分类.

主要成果:

• EfficientNetB3表现出卓越的性能,准确率为99.96%,损失为0.149%,RMSE为0.386.
• 其他模型 (不包括VGG19) 显示高精度,回忆和F1分数 (约0.98-1.00).
• 深度转移学习被证明是有效的棉花疾病诊断.

结论:

• 深度转移学习为棉花作物疾病监测提供了具有成本效益和高效的解决方案.
• 这种方法支持可持续的农业实践,并提高作物产量.
• 该研究强调了人工智能在改善农业管理和疾病控制方面的潜力.