在各种环境中使用EfficientNet-LITE和KE-SVM优化了土豆叶病的分类
Gopal Sangar1, Velswamy Rajasekar1
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, SRM Institute of Science and Technology, Vadapalani, Chennai, India.
Frontiers in plant science
|May 19, 2025
概括
这项研究引入了一种用于检测马叶病的新型计算机视觉模型,显著提高了用于精密农业应用在不受控制的环境中的准确性.
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:
- 准确识别马叶病对全球粮食安全和农业生产率至关重要.
- 传统的图像分类方法与来自不受控制环境的不一致数据作斗争,限制了精准农业.
- 使用计算机视觉的自动疾病诊断对于农业的实时决策至关重要.
研究的目的:
- 开发和评估一种用于增强马叶病识别的新型模型.
- 提高在可变现场条件下自动检测疾病的准确性和效率.
- 创建一个适合在资源有限的设备上部署的计算经济模型.
主要方法:
- 集成EfficientNet-LITE以优质的特征提取与通道注意力 (CA) 和1D本地二进制模式 (LBP).
- 实施KE-SVM优化,通过分析错误分类的实例来代地完善分类准确性.
- 开发一个紧的模型 (12.46 MB,3.11M参数,359.69 MFLOPs) 以提高计算效率.
主要成果:
- 优化的模型在未经控制的数据上实现了87.82%的准确性,比预优化的79.38%有显著的改进.
- 实验室控制数据的准确性在优化后达到99.54%,而之前为99.07%.
- 该模型在保持计算经济的同时,更加重视相关特征.
结论:
- 这种新型模型为在现实农业环境中检测马叶病提供了实用和准确的解决方案.
- 它的效率和准确性使它成为精准农业的理想选择,尤其是在具有有限计算能力的移动或边缘设备上.
- 这一进步通过改善作物健康监测和管理来支持可持续农业.
