一种数据驱动的方法来检测黄疾病:植物状况分类数据集

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:

• 黄 (Curcuma longa) 在经济和医学上至关重要,但易患叶子斑和根茎腐烂等疾病.
• 目前的疾病诊断方法是手动的,耗时的,主观的,对于大规模农业来说是不切实际的.
• 准确和早期发现疾病对于尽量减少作物损失和促进可持续农业至关重要.

研究的目的:

• 开发和评估基于人工智能的系统,以准确有效地对黄植物疾病进行分类.
• 为深度学习应用程序创建和共享黄植物图像的全面数据集.
• 展示人工智能在提高精准农业和可持续作物管理方面的潜力.

主要方法:

• 一个数据集由1037个原始和4628个增强图像的黄植物 (健康的,干燥的叶子,叶子斑,根茎疾病的根,健康的根) 被策划.
• 图像数据经过预处理,包括大小调整,清洁和增强 (翻转,旋转,亮度调整).
• 在植物疾病分类中使用了Inception-v3深度学习模型.

主要成果:

• Inception-v3模型通过数据增强实现了97.36%的准确性,超过了没有增强的95.71%的准确性.
• 精度,回忆和F1分数等关键性能指标证实了该模型的稳定性和有效性.
• 该研究强调了人工智能在区分健康和患病的黄植物样本方面的有效性.

结论:

• 人工智能驱动的图像分类为早期和准确诊断黄植物疾病提供了有希望的解决方案.
• 开发的数据集和模型有助于推进精密农业和可持续作物生产中的AI应用.
• 这项研究鼓励进一步研究人工智能为农业疾病管理提供支持的工具,特别是在发展中国家.