相关实验视频
Updated: Jul 25, 2026

11:49
Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images
Published on: February 2, 2019
可持续农业的人工智能与双分支卷积图注意力网络在叶疾病检测米叶
Ramesh Raman1, Sangeetha Jayaraman2
1Department of CSE, Srinivasa Ramanujan Centre, SASTRA Deemed University, Kumbakonam, India.
Scientific reports
|March 28, 2025
概括
这项研究引入了一种混合深度学习模型,用于准确的叶疾病分类,改善作物管理和农业生产力. 这种新的方法提高了图像质量,并使用先进的特征选择来实现卓越的检测.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 图像处理 图像处理
背景情况:
- 由于各种疾病,大米种植面临着巨大的产量损失.
- 现有的疾病检测方法在准确性,模型复杂性和数据集限制方面扎.
研究的目的:
- 开发一种新的混合深度学习方法,用于准确的叶疾病分类.
- 克服当前疾病检测方法的局限性.
主要方法:
- 使用了两个数据集:大米叶病数据集和大米疾病图像数据集.
- 使用升级加权中位数过 (Up-WMF) 和对齐的基于马的对比度有限的自适应式直方图平衡 (AG-CLAHE) 提高了图像质量.
- 使用离散波纹转换 (DWT),灰色水平运行长度矩阵 (GLRLM) 和VGG19提取的特征;通过生物灵感的人工蜂鸟 (BI-AHB) 选择进行优化.
- 使用双分支卷积图注意力神经网络 (DB-CGANNet) 进行疾病分类.
主要成果:
- 在大米叶病数据集上获得了98.9%的准确性.
- 在米病图像数据集上实现了99.08%的准确性.
- 与现有技术相比,表现出优越的性能.
结论:
- 拟议的混合深度学习模型显著提高了大米疾病检测的准确性.
- 改进的检测有助于更好地管理大米作物,并提高农业生产率.

