基于混合深度学习模型的豆叶斑病的检测
Yiwei Wang1, Qianyu Wang1, Yue Su1
1College of Agriculture, Shanxi Agricultural University, Jinzhong, China.
Scientific reports
|April 1, 2025
概括
这项研究引入了第一个豆叶斑病 (KBLD) 数据集和混合深度学习机器学习模型. 这种新的方法在检测KBLD时达到96.26%的准确性,提高了作物疾病管理.
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:
- 对豆叶斑病的准确诊断对于作物产量和健康至关重要.
- 现有的机器学习方法在特征提取方面扎,深度学习模型是计算密集的.
- 缺乏可靠的数据集阻碍了对豆叶斑病的有效诊断工具的开发.
研究的目的:
- 构建第一个全面的豆叶斑病 (KBLD) 数据集.
- 开发和评估一种新的混合深度学习和机器学习框架,用于KBLD检测.
- 提高精准农业中智能作物疾病诊断的效率和准确性.
主要方法:
- 第一个豆叶斑病 (KBLD) 数据集的开发.
- 集成深度学习模型 (EfficientNet-B7,MobileNetV3,ResNet50,VGG16) 进行特征提取.
- 机器学习分类器的应用 (逻辑回归,随机森林,AdaBoost,随机梯度提升) 用于分类.
- 利用Optuna在16个组合模型中进行超参数优化.
主要成果:
- 结合EfficientNet-B7和随机梯度提升的混合模型在KBLD数据集上实现了96.26%的最高检测精度.
- 该模型的F1得分高达0.97,表明了强大的分类性能.
- 与传统方法相比,开发的框架显著提高了检测效率和准确性.
结论:
- 创建KBLD数据集和新型混合模型代表了自动检测作物疾病的重大进展.
- 这项研究为精准农业中作物疾病的智能诊断和管理提供了有前途的方法.
- 这些发现有助于提高农业生产率和通过改善作物健康监测来加强粮食安全.
