整合先进的深度学习技术,以加强树叶和水果疾病的检测和分类

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:

• 类作物的疾病对全球粮食安全构成重大威胁.
• 准确及时发现疾病对于有效的管理策略至关重要.
• 深度学习为基于图像的自动疾病诊断提供了潜力.

研究的目的:

• 评估四个深度学习模型 (EfficientNetB0,ResNet50,DenseNet121,InceptionV3) 的性能,用于类疾病的分类.
• 在不同的数据集上比较这些模型的准确性和F1分数.
• 确定最有效的深度学习模型来检测类植物疾病.

主要方法:

• 使用了759张图像的数据集,涵盖了9个类疾病类别和健康样本.
• 训练并测试了四个卷积神经网络 (CNN) 架构:EfficientNetB0,ResNet50,DenseNet121和InceptionV3.3,并进行了测试.
• 使用测试准确度,宏观平均F1得分和加权平均F1得分来评估模型性能.

主要成果:

• InceptionV3和DenseNet121获得了最高的测试准确率 (99.12%),并获得了优异的F1分数 (宏观平均值). 0.986 ,加权的平均值. 0.991) 的价格.
• ResNet50 (84.58%准确率) 和EfficientNetB0 (80.18%准确率) 的表现中等.
• 性能最好的模型在大多数疾病类别中表现出极高的精度和回忆力.

结论:

• 深度学习模型,特别是InceptionV3和DenseNet121,显示出对精确类疾病分类的重大前景.
• 这些发现支持在类农业中开发用于早期疾病检测的自动化工具.
• 实施这些技术可以改善作物管理,减少损失,提高产量质量.