一种基于卷积神经网络的定制方法,用于在棉花作物中识别杂草
Hafiz Muhammad Faisal1, Muhammad Aqib1,2, Khalid Mahmood3
1University Institute of Information Technology (UIIT), Pir Mehr Ali Shah (PMAS)-Arid Agriculture University, Rawalpindi, Pakistan.
Frontiers in plant science
|January 22, 2025
概括
智能农业利用卷积神经网络 (CNN) 进行自动作物监测. 一个新的深度CNN模型在识别和分类棉花杂草方面实现了98.3%的准确性,超过了现有的模型.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 全球粮食需求升需要智能农业的进步.
- 农作物疾病和杂草的侵袭大大降低了农业产量.
- 棉花是一种重要的商业作物,易受各种杂草和害虫的侵害.
研究的目的:
- 开发一个有效的自动化系统来识别和分类棉花杂草.
- 将拟议的深度CNN模型与已建立的CNN架构的性能进行比较.
- 为了应对管理大型农业数据集以有效控制杂草的挑战.
主要方法:
- 基于深度卷积神经网络 (CNN) 的架构的实施.
- 关于棉花作物数据的拟议模型的培训和评估.
- 与现有的CNN模型进行比较分析:VGG-16,ResNet,DenseNet和XceptionNet.
主要成果:
- 拟议的深度CNN模型实现了98.3%的分类准确性.
- VGG-16,ResNet-101,DenseNet-121和XceptionNet的准确度分别为95.4%,97.1%,96.9%和96.1%,这些数据的准确度是可以达到的.
- 拟议的模型在识别和分类棉花杂草方面表现出卓越的性能.
结论:
- 深度CNN为棉花种植中的自动杂草识别提供了一个有希望的方法.
- 开发的模型显著改进了现有用于杂草分类准确性的方法.
- 通过人工智能及时有效地管理杂草,可以减轻棉花农业的产量损失.
