一种混合深度学习模型方法,用于自动检测和分类麻瓜叶病

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 视觉检查麻瓜叶病是不可靠的,需要专家知识.
• 传统的诊断方法耗时,容易出现错误,并阻碍有效的作物管理.
• 自动化解决方案对于准确和可扩展的植物疾病识别至关重要.

研究的目的:

• 探索和评估用于检测和分类麻瓜叶病的先进深度学习模型.
• 评估各种深度学习架构的性能,包括EfficientNet,DenseNet169,Xception等.
• 开发农业中自动化植物病监测系统的基础.

主要方法:

• 利用了大约36000张标记的麻豆叶图像的数据集,涵盖了各种疾病和健康样本.
• 预处理的图像使用灰度转换,高斯过,Otsu二元化,距离转换和分水技术.
• 使用基于轮的特征选择和使用ADAM优化器微调模型.

主要成果:

• 结合DenseNet169和EfficientNetB0的混合模型实现了最高的分类准确率89.94%.
• EfficientNetB0显示了最高的精度,回忆和F1得分,每一个为0.78.
• 混合型号的新之处在于将DenseNet169的功能重复使用与EfficientNetB0的效率相结合.

结论:

• 深度学习模型显示了准确和可扩展的麻瓜叶病诊断的巨大潜力.
• 开发的混合模型为自动植物疾病监测提供了更高的准确性和可扩展性.
• 这项研究为先进的农业技术铺平了道路,以加强作物健康管理.