用卷积神经网络基于深度学习模型对的诊断人类病
Hae-In Kim1, Ju-Yeon Yoon2,3, Ho-Jong Ju1,2,4,5
1Department of Agricultural Biology, Jeonbuk National University, Jeonju 54896, Korea.
The plant pathology journal
|February 7, 2025
概括
深度学习模型可以有效地检测胡. 移动网络在较小的数据集上表现良好,提供用于农业疾病诊断的实用见解,数据有限.
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:
- (Capsicum annuum L.) 是一个全球重要的作物,由于病而面临经济损失.
- 准确和早期检测炭糖对于减轻产量损失和保持市场性至关重要.
- 深度学习,特别是图像识别,为自动化植物疾病诊断提供了一个有希望的途径.
研究的目的:
- 应用深度学习模型 (MobileNet,ResNet50v2,Xception) 使用转移学习进行胡 antracnose诊断.
- 用有限的数据来确定准确和有效的疾病检测所需的最低数据集大小.
- 评估不同模型在不同大小的数据集中的性能.
主要方法:
- 使用深度学习架构进行转移学习:MobileNet,ResNet50v2和Xception.
- 在数据集上训练和评估模型,数据集范围从500到4000张的图像.
- 使用指标评估性能:精度,回忆,F1分数和准确性.
主要成果:
- 随着数据集大小的增加,模型性能通常会有所改善.
- 为了达到最佳准确度,ResNet50v2和Xception模型需要更大的数据集.
- 移动网络展示了强大的概括能力,即使在较小的数据集上也能有效地执行.
结论:
- 基于转移学习的深度学习模型是有效的诊断.
- 当数据集大小有限时,MobileNet提供了用于疾病检测的实用解决方案.
- 研究结果为优化农业疾病诊断数据收集和模型选择提供了指导方针.
