优化卷积神经网络,用于实时检测和评估西红 (Solanum lycopersicum L.) 早期病变的严重程度

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 计算机视觉 计算机视觉

背景情况:

• 早期烧伤,由Alternaria alternata引起,在全球显著降低番茄产量.
• 目前的疾病检测方法缺乏实时现场应用能力.
• 可变的环境条件对准确的疾病评估构成挑战.

研究的目的:

• 为番茄植物开发一个强大,高效和可通用的早期虫害检测系统.
• 利用转移学习和优化的MobileNet架构来提高准确性和速度.
• 为准确农业实现实时,现场水平的疾病严重性评估.

主要方法:

• 通过使用四种MobileNet变体 (MobileNet,V2,V3小,V3大) 利用转移学习.
• 在6451张番茄叶图像 (健康和病态) 的多样化数据集上训练模型.
• 进行了用于病原体确认的内部转录间隔器 (ITS) 序列分析.

主要成果:

• 移动网络V3大实现了99.88%的分类准确度和0.996 F1得分.
• 推断时间低至67毫秒,适合实时应用.
• ITS分析证实A. alternata与已知的分离物有98%以上的相似性.

结论:

• 开发的MobileNet V3 Large系统为早期漏洞检测提供了一个高度准确和快速的解决方案.
• 这项技术支持基于智能手机的监控,自动喷和智能农业系统.
• 提供一种非破坏性的实时方法来评估疾病严重程度,帮助及时干预和减少作物损失.