一个新的混合起始-异常卷积神经网络,用于高效的植物疾病分类和检测

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:

• 植物疾病和害虫对全球粮食安全构成重大威胁,导致作物产量减少和经济损失.
• 植物疾病的传统实验室诊断方法通常是昂贵的,耗时的,劳动密集的.
• 植物疾病的早期和准确检测对于有效的管理和缓解策略至关重要.

研究的目的:

• 开发和评估一种新的混合发育-Xception (IX) 卷积神经网络 (CNN) 模型,用于自动化植物疾病检测和分类 (PDDC).
• 使用改进的CNN,机器学习 (ML) 和计算机视觉技术创建实时AI应用程序来识别植物疾病.
• 评估拟议的IX-CNN模型与各种数据集和分类器的性能.

主要方法:

• 设计了一种混合Inception-Xception (IX) 模型,集成了Inception和深度可分离的卷积层,用于多尺度的特征提取和降低复杂度.
• 通过使用六个不同的数据集来训练和验证IX-CNN模型:PlantVillage,火病,植物doc,米病,RoCole和NLB.
• 使用支持矢量机 (SVM),决策树 (DT) 和随机森林 (RF) 等分类器来评估性能.

主要成果:

• IX-CNN模型在多个数据集中实现了高准确性,植物文献,植物村和土耳其疾病数据集达到100%的准确性.
• 米病,RoCole和NLB数据集表现出卓越的性能,分别准确率为99.79%,99.95%和98.64%.
• 开发的AI应用程序提供实时,自动化植物疾病识别和分类.

结论:

• 拟议的混合IX-CNN模型为早期植物疾病检测和分类 (PDDC) 提供了强大而高效的解决方案.
• 该模型的高精度和实时应用能力支持智能农业计划,并有助于减轻对全球粮食安全的威胁.
• 这种人工智能驱动的方法可以显著减少对传统诊断方法的依赖,使得干预速度更快,改善作物管理.