使用叶子图像检测受感染和健康的玉米作物的新型转移学习方法

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 玉米是全球重要的作物,影响粮食安全和经济稳定.
• 准确检测玉米作物的健康状况对于预防疾病和优化产量至关重要.
• 目前的方法需要改进,以便及时准确地评估健康状况.

研究的目的:

• 开发和验证一种创新的转移学习模型,用于检测健康和受感染的玉米作物.
• 加强特征提取,以提高玉米健康监测中的分类准确性.
• 与现有的机器学习方法比较拟议模型的性能.

主要方法:

• 使用视觉几何组 (VGG-16) 进行空间特征的两步特征提取过程.
• 使用高斯的天真贝叶斯 (GNB) 和矩阵分解的特征的精细化.
• 深度学习 (VGG-16) 和机器学习 (GNB) 技术的整合.

主要成果:

• 拟议的VG-GNBNet+GNB模型在区分健康和受感染的玉米作物方面达到99.85%的高精度.
• 与其他评估的机器学习模型相比,VG-GNBNet表现出更高的性能.
• 该模型有效地提取和完善功能,以进行强大的作物健康分类.

结论:

• VG-GNBNet为玉米作物健康检测提供了一个高度准确和强大的解决方案.
• 该模型的高精度支持在农业疾病管理和产量优化方面的实际应用.
• 结合深度学习和机器学习为农业监测提供了协同效益.