使用深度神经网络方法对甘叶病进行分类
Saravanan Srinivasan1, S M Prabin2, Sandeep Kumar Mathivanan3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, India.
BMC plant biology
|March 3, 2025
概括
深度学习模型,特别是EfficientNet-B7和DenseNet201,可以准确地检测甘疾病. 与手工方法相比,这种自动化方法可以改善疾病控制和作物产量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 在甘中手动诊断疾病是耗时且容易出现错误的.
- 准确的疾病检测对于有效的作物管理和产量优化至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于自动化甘叶病诊断.
- 为了比较各种卷积神经网络 (ConvNet) 架构用于疾病分类的性能.
主要方法:
- 在6748张图像的甘叶数据集 (SLD) 上训练并测试了EfficientNet,DenseNet201,ResNetV2,InceptionV4,MobileNetV3和RegNetX模型.
- 使用了70%的培训,15%的验证和15%的测试数据分割,并补充了5倍的交叉验证以进行可靠的评估.
- 评估基于准确性,复杂性和深度的模型.
主要成果:
- EfficientNet-B7实现了99.79%的准确性,而DenseNet201实现了99.50%的准确性,超过了其他测试模型的性能.
- 五次交叉验证证实了最高性能模型的可靠性和一致性.
- 模型复杂度/深度和准确度之间没有发现直接相关性,这突显了数据集适应性的重要性.
结论:
- 深度学习模型,特别是EfficientNet-B7和DenseNet201,为快速准确的甘疾病自动检测提供了高度有效的解决方案.
- 这些DL系统显著增强了传统的手动诊断,允许及时干预,以减少作物损失和改善甘生产.
- 该研究强调了DL在现代农业中的应用在疾病管理和产量提升方面的变革潜力.
