对果叶疾病的分类和检测进行深度学习技术的系统审查
Assad Souleyman Doutoum1, Bulent Tugrul2
1Computer Science Department, University of N'djamena, N'djamena, Chad.
PeerJ. Computer science
|March 10, 2025
概括
使用计算机视觉精确检测果叶病对农民至关重要. 本研究审查了用于早期诊断的深度学习方法,旨在提高作物产量并减少经济损失.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 果生产对全球粮食安全和经济至关重要,但疾病显著降低了产量和质量.
- 对果叶病的准确和及时诊断对于农民来说是具有挑战性的,因为类似的症状呈现.
- 果病造成的经济损失需要有效的诊断工具来支持有针对性的作物管理策略.
研究的目的:
- 系统地分析和评估现有的数据集,深度学习 (DL) 方法和用于果叶病检测和分类的框架.
- 识别自动化果疾病识别的最新进展,流行的方法和研究缺口.
- 为了解决计算机视觉应用在解决果种植农业挑战方面的有效性提供见解.
主要方法:
- 进行了对2016年至2024年间发表的45篇文章的系统文献审查.
- 专注于有关数据集,深度学习算法和用于检测果叶病的框架的研究.
- 评估各种计算机视觉技术在农业诊断中的性能和适用性.
主要成果:
- 深度学习模型在从图像中检测和分类各种果叶疾病方面表现出高精度.
- 该审查强调了利用卷积神经网络 (CNN) 和转移学习以提高性能的日益增长的趋势.
- 确定了关键的数据集和框架,这些数据集和框架是开发强大的自动化疾病识别系统的基础.
结论:
- 计算机视觉,特别是深度学习,为诊断果叶病提供了强大而准确的解决方案.
- 需要继续进行研究,以应对与数据集多样性,现实世界的部署和模型可解释性相关的挑战.
- 自动化系统可以大大帮助农民,尽量减少产量损失,提高果种植的经济可行性.
