使用经济高效的Xception架构自动检测和预测小麦的严重程度

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 计算机视觉 计算机视觉

背景情况:

• 由Puccinia triticina引起的小麦生病对全球小麦产量构成重大威胁.
• 目前用于检测小麦生的手工方法是劳动密集型的,并且对于及时管理疾病而言效率低下.
• 现有的控制策略往往缺乏有效的早期识别疾病爆发.

研究的目的:

• 开发一种自动化计算机视觉管道,用于预测小麦叶的生严重程度.
• 为在现场条件下提供低成本,可访问和高效的早期疾病查工具.
• 通过快速准确的疾病评估,加强小麦作物管理.

主要方法:

• 使用深度学习分类器来区分健康的小麦叶和受感染的小麦叶.
• 基于Grabcut的细分被用来隔离受感染的叶片区域.
• 在CIELAB彩色空间中的图像处理确定了生特征,并计算了疾病严重程度比率.

主要成果:

• 管道成功地将健康的小麦叶与受感染的小麦叶区分开来.
• 细分和色彩空间分析有效地隔离和表征了生症状.
• 对受感染的叶子计算出了可量化的疾病严重程度比率.

结论:

• 拟议的计算机视觉管道为小麦生病查提供了一个开创性的自动化解决方案.
• 该方法为现场条件的手动检查提供了低成本和可访问的替代方案.
• 这种方法有助于及时干预和改进对小麦生的控制措施,促进作物疾病管理.