使用创新的深度学习方法和混合式元启发式检测类病的检测.
Nouman Butt1, Muhammad Munwar Iqbal1, Shabana Ramzan2
1Department of Computer Science, University of Engineering and Technology, Taxila, Pakistan.
PloS one
|January 22, 2025
概括
这项研究引入了使用深度学习进行类病疾病分类的自动化系统,达到99.6%的准确性. 这种人工智能驱动的方法提高了果种植中的疾病检测,以提高作物产量和可持续性.
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:
- 果种植对巴基斯坦经济至关重要,占水果生产的30%,主要在旁遮普邦.
- 类作物面临着严重的疾病威胁 (,,黑斑),降低了水果质量和产量.
- 手动诊断疾病是缓慢的,不准确的,昂贵的,需要专家知识.
研究的目的:
- 为类作物开发一种自动化的疾病分类系统.
- 提高疾病检测的诊断准确性,效率和成本效益.
- 为可持续果种植实践提供可扩展的解决方案.
主要方法:
- 实施一个具有最佳特征选择的深度学习框架.
- 使用数据增强和转移学习技术.
- 雇佣了包括DenseNet-201和AlexNet在内的预先训练有素的模型进行分类.
主要成果:
- 在叶数据集上实现了99.6%的分类准确度.
- 与现有方法相比,拟议的自动化系统表现出优越的性能.
- 该框架为类植物疾病的识别提供了强大而高效的解决方案.
结论:
- 开发的深度学习系统为类疾病的分类提供了准确有效的方法.
- 这项技术通过改善果种植中的疾病管理来支持可持续农业.
- 该自动化系统解决了传统手动诊断的局限性,提供了一个可扩展的解决方案.
