发现土豆植物疾病:利用混合深度学习模型
Jackson Herbert Sinamenye1, Ayan Chatterjee2, Raju Shrestha3
1Department of Computer Science, Oslo Metropolitan University (OsloMet), Oslo, Norway. jacksonherberts@gmail.com.
BMC plant biology
|May 16, 2025
概括
这项研究引入了一种混合深度学习模型,用于检测土豆植物疾病. EfficientNetV2B3+ViT模型显著提高了识别疾病的准确性,有助于可持续农业.
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:
- 农作物疾病对全球粮食生产和经济稳定构成重大威胁.
- 准确和早期发现土豆植物疾病对于保持产量和生产率至关重要.
- 现有的检测方法,包括传统和一些AI方法,在准确性和现实世界的可变性方面存在困难.
研究的目的:
- 开发和评估一种新的混合深度学习模型,以提高土豆植物疾病的检测和识别.
- 在复杂的农业环境中提高疾病检测的准确性和通用性.
- 解决当前在变化的田间条件下识别土豆疾病的方法的局限性.
主要方法:
- 通过将一个卷积神经网络 (EfficientNetV2B3) 与视觉转换器 (ViT) 集成,开发了一种混合深度学习模型,即EfficientNetV2B3+ViT.
- 该模型在多样化的"土豆叶病数据集"上受过训练,包括代表真实世界农业条件的图像.
- 基于疾病检测和识别的准确性来评估绩效.
主要成果:
- 提出的EfficientNetV2B3+ViT混合模型实现了85.06%的检测精度.
- 与之前的研究结果相比,这意味着准确度提高了11.43%.
- 该模型在复杂的农业环境中有效地识别了土豆疾病.
结论:
- 混合EfficientNetV2B3+ViT模型在发现和识别土豆植物疾病方面取得了重大进展.
- 这种方法显示出在农业中实际应用的巨大潜力,增强了疾病管理策略.
- 该研究强调了混合深度学习模型在改善作物健康监测方面的有效性.
