优化了顺序模型,用于植物疾病的高级分类.

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:

• 印度农业对经济至关重要,但植物疾病对作物产量和农民收入构成重大威胁.
• 传统的疾病诊断依赖于人类的专业知识,这往往是不准确的,低效的,不适合大规模农业.
• 疾病的早期症状往往是看不见的,这使得及时和精确的检测具有挑战性的传统方法.

研究的目的:

• 探索深度学习的应用,特别是卷积神经网络 (CNN),用于增强植物疾病检测.
• 提高在果和花生等作物中诊断植物疾病的准确性和效率.
• 为农业疾病管理提供可扩展和可靠的解决方案.

主要方法:

• 利用卷积神经网络 (CNN),这是一种深度学习架构,能够从大型数据集中自动提取特征.
• 从马哈拉施特拉州西部和在线来源的实地考察中收集和处理了果和花生叶的图像数据.
• 采用图像处理技术,包括规范化,大小调整和数据增强,以优化数据集进行分类.

主要成果:

• 开发的CNN模型在检测植物疾病方面达到96%的高准确率.
• 与传统的机器学习技术相比,表现出优异的性能,这些技术需要劳累的手动特征提取.
• 图像处理技术显著改善了分类结果和数据集质量.

结论:

• 卷积神经网络为农业中植物疾病检测提供了高度准确和高效的方法.
• 通过代训练,CNN模型可以持续适应和提高性能,从而减少错误.
• 这种深度学习方法为传统方法提供了可行的替代方案,增强了作物保护和支持农民.