关于使用深度学习模型构建用于现实生活中的SoyLeaf数据集和疾病识别的数据预处理
Sujata Gudge1, Aruna Tiwari1, Milind Ratnaparkhe2
1Indian Institute of Technology Indore, Indore, 453552, Madhya Pradesh, India.
Computational biology and chemistry
|March 14, 2025
概括
一个新的SoyLeaf数据集有助于训练用于识别大豆叶病的深度学习模型. 转移学习模型实现了高精度,MobileNetV2和DenseNet121达到99.89%.
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:
- 深度学习模型需要大量的数据进行培训,但高质量的大豆叶病数据集很少.
- 这种局限性阻碍了准确的自动疾病识别系统的开发.
研究的目的:
- 开发一个全面的,现实生活数据集,用于大豆叶病的识别.
- 评估各种预训练深度学习模型的性能,以对大豆叶病进行分类.
主要方法:
- 一个新的数据集,SoyLeaf,由9786张健康和生病的大豆叶子的高质量图像创建.
- 应用了数据预处理技术来提高图像质量.
- 通过使用Adam和RMSprop优化器对14个Keras转移学习模型进行了微调和评估.
主要成果:
- 几种微调的模型显示出高精度,在许多情况下超过99%.
- 使用Adam优化器,MobileNetV2和DenseNet121实现了最高的99.89%的精度.
- 在ResNet50V2,ResNet101V2,InceptionV3,InceptionResNetV2,MobileNet,MobileNetV2,DenseNet121和DenseNet169中显示出优异的性能.这些网络中的一个是ResNet50V2,ResNet101V2,InceptionV3,InceptionResNetV2,MobileNet,MobileNetV2,DenseNet121和DenseNet169,这些网络中的一个是DenseNet169,这些网络中的一个是DenseNet169,这些网络中的一个是DenseNet169.
结论:
- 开发的SoyLeaf数据集是培训用于检测大豆疾病的深度学习模型的宝贵资源.
- 转移学习方法对于高准确地识别大豆叶病非常有效.
- 像MobileNetV2和DenseNet121这样的特定模型显示出在农业实际应用方面非常有前途.
