利用YOLO深度学习模型来增强植物疾病的识别
Yousef Alhwaiti1, Muntazir Khan2, Muhammad Asim2
1College of Computer and Information Sciences, Jouf University, Sakaka, Aljouf, Kingdom of Saudi Arabia. ysalhwaiti@ju.edu.sa.
Scientific reports
|March 7, 2025
概括
使用人工智能 (AI) 早期发现植物疾病对于作物保护至关重要. 这项研究表明,YOLOv4在识别桃子和草叶上的疾病方面达到98%的准确性,优于YOLOv3.
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:
- 植物疾病导致大量的作物损失,影响粮食安全和经济,特别是在发展中国家.
- 由于症状的变化和相似性,早期和准确的疾病鉴定具有挑战性.
- 人工智能 (AI) 为自动植物疾病分类提供了潜力,但面临着数据不平衡和注释成本等挑战.
研究的目的:
- 评估You Only Look Once (YOLO) 深度学习模型的性能,特别是YOLOv3和YOLOv4,用于早期识别水果植物疾病.
- 为了比较YOLOv3和YOLOv4在检测桃子叶上的细菌斑点和草叶上的烧伤病的准确性,速度和效率.
主要方法:
- 利用公开可用的植物村数据集进行培训和验证.
- 实施和训练了YOLOv3和YOLOv4模型,用于基于图像的健康和患病的桃子和草叶子的分类.
- 根据准确性,平均精度 (mAP) 和检测时间评估模型性能.
主要成果:
- YOLOv3实现了97%的准确性和92%的mAP,检测时间为105秒.
- YOLOv4以98%的精度和98%的mAP表现出卓越的性能,仅在29秒内完成检测.
- YOLOv4表现出更快,更精确,更简单的性能,特别是在多对象检测方面.
结论:
- YOLOv4是一个高效和高效的深度学习模型,用于实时检测植物疾病.
- 拟议的人工智能方法具有显著的潜力,可以提高农业生产率和经济成果,特别是在发展中国家.
- 使用先进人工智能的自动植物疾病诊断可以彻底改变作物保护策略.
