混合深度学习模型用于对杂草图像数据集的密度和增长率估计
Anand Muni Mishra1, Mukund Pratap Singh2, Prabhishek Singh2
1Dept of Information technology, GL Bajaj Institute of Technology and Management, Greater Noida, Uttar Pradesh, India.
Scientific reports
|April 2, 2025
概括
本研究介绍了一种混合卷积神经网络 (HCNN) 模型,用于在农业中精确识别杂草. 这种先进的模型达到98.95%的准确性,帮助农民管理入侵植物,提高作物产量.
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:
- 农作物生产在全球面临重大挑战,杂草影响了37%的作物.
- 杂草通过杂交降低了作物的纯度,并争夺资源.
- 有效的杂草管理对于粮食安全和农民生计至关重要.
研究的目的:
- 开发一个准确的杂草图像细分模型来估计杂草的生长和密度.
- 提出一个混合卷积神经网络 (HCNN) 模型,集成SegNet和U-Net架构.
- 通过修改聚合层和损失函数来增强杂草识别.
主要方法:
- 使用了2100个杂草图像的数据集,包括各种杂草类型 (宽叶,单叶,双叶).
- 通过结合SegNet和U-Net功能,开发了一种混合卷积神经网络 (HCNN) 模型.
- 实施了修改后的聚合层和调整后的损失函数,以改善杂草叶的识别.
主要成果:
- 拟议的HCNN模型在杂草图像细分方面实现了98.95%的高精度.
- 细分面具有效地将杂草与作物隔离起来,使生长和密度的估计成为可能.
- 这些修改改进了杂草叶的识别重量.
结论:
- 开发的HCNN模型为杂草识别和管理提供了高度准确的解决方案.
- 精确的杂草检测可以显著减少农业的财务损失.
- 这项研究为开发有效的杂草控制策略提供了基础.
