基于深度学习的集合模型,通过利用ResNet50和MobileNetV2架构进行准确的番茄叶疾病分类

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:

• 番茄种植对全球粮食安全至关重要,但疾病显著降低了产量和质量.
• 准确和早期的疾病诊断对于减轻作物损失和财务影响至关重要.

研究的目的:

• 开发和评估基于深度学习的集体模型,用于自动化番茄叶疾病分类.
• 结合MobileNetV2和ResNet50的优势,提高特征提取和分类准确度.

主要方法:

• 通过整合MobileNetV2和ResNet50创建了一个集合模型,用于改进特征提取,修改了输出层.
• 使用了11,000张注释图像的数据集,涵盖了10个番茄疾病类别和健康的叶子.
• 数据预处理包括图像调整大小,分割 (80%的训练,10%的测试,10%的验证) 和模型训练.

主要成果:

• 拟议的组合模型实现了99.91%的卓越测试准确度.
• 该模型展示了高性能指标:99.92%的精度,99.90%的回忆率和99.91%的F1得分.
• 一个混矩阵证实了几乎完美的分类,在所有疾病类别中最小的错误分类.

结论:

• 深度学习为自动化番茄病诊断提供了可扩展和准确的解决方案.
• 开发的模型可以显著改善作物健康监测,减少农业的经济损失.
• 这种方法通过早期疾病干预来支持精准农业和可持续农业实践.