通过深度学习增强植物疾病检测:深度CNN与挤压和激发集成以及剩余跳过连接
Asadulla Y Ashurov1, Mehdhar S A M Al-Gaashani2, Nagwan A Samee3
1School of Automation, Chongqing University of Posts and Telecommunications, Chongqing, China.
Frontiers in plant science
|February 10, 2025
概括
本研究引入了一种使用修改卷积神经网络 (CNN) 的先进植物疾病检测方法. 该系统实现了高精度,有助于可持续农业和作物保护工作.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 越来越多的全球粮食安全挑战需要有效的作物保护战略.
- 自动植物疾病检测对于可持续农业和产量优化至关重要.
- 现有的方法往往在准确性和适应不同农业条件方面的局限性.
研究的目的:
- 开发一个高度准确和高效的自动化系统来识别植物疾病.
- 通过先进的机器学习技术,提高作物保护和产量.
- 用一个强大的检测模型来满足农业应用的实际需求.
主要方法:
- 开发了一个修改的深度卷积神经网络 (CNN) 架构.
- 压缩和激发 (SE) 块和改进的剩余跳过连接被集成.
- 该模型在各种植物物种和疾病的综合数据集上进行了训练.
- 使用在线随机图像进行适应性评估来评估性能.
主要成果:
- 拟议的模型实现了98%的准确性和98.2%的F1得分.
- 通过在线图像识别植物病的显著适应性和有效性.
- 建筑修改增强了特征提取和分类性能.
- 该系统保持了适合实际应用的计算效率.
结论:
- 开发的CNN模型为自动检测植物疾病提供了一个强大的工具.
- 调查结果支持及时和知情地做出农业作物保护的决策.
- 该研究有助于提高农业可持续性和粮食安全.
