智能作物疾病监测系统在物联网中使用优化启用了深度残余网络

科学领域:

• 农业技术 农业技术
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 传统的植物疾病检测方法是劳动密集型和耗时的.
• 使用物联网 (IoT) 的自动检测系统为作物监测提供了显著的优势.
• 开发有效的实时疾病识别模型对于农业生产率至关重要.

研究的目的:

• 开发和评估一种基于物联网的新型模型,用于准确的植物疾病分类.
• 使用混合元启发算法优化农业物联网网络的网络路由.
• 通过使用深度残留网络 (DRN) 来提高植物疾病分类性能,并使用专门的优化技术进行训练.

主要方法:

• 模拟了一个物联网网络用于作物疾病监测,使用亨利气体群优化 (HGCSO) 基于延迟,能量,距离和链路寿命进行路由.
• 在收集的植物叶子图像上使用中位过实现了图像预处理.
• 提取的特征包括面向梯度 (HoG) 的直方图,统计特征,蜘蛛局部图像特征 (SLIF) 和局部形模式 (LTP).
• 使用深度残留网络 (DRN) 来对疾病进行分类,并通过拟议的海亨利气体群优化 (CHGCSO) 算法进行训练.

主要成果:

• 基于CHGCSO的DRN模型实现了94.3%的分类准确度.
• 该模型表现出高性能,最高灵敏度为93.3%,特异性为92%,F1得分为93%.
• 对比分析证实了开发的基于CHGCSO的DRN对现有方法的优越性.

结论:

• 拟议的基于CHGCSO的DRN模型为物联网网络中的自动植物疾病检测提供了一个高度有效和准确的解决方案.
• 将HGCSO用于路由和CHGCSO用于DRN培训的集成显著提高了分类性能.
• 这种方法对推进精准农业和确保作物健康具有重大前景.