走向精准农业:使用CNN和图像处理检测茶叶病.
Irfan Sadiq Rahat1, Hritwik Ghosh1, Suresh Dara2
1School of Computer Science and Engineering (SCOPE), VIT-AP University, Amaravati, Andhra Pradesh, India.
Scientific reports
|May 21, 2025
概括
一个新的深度学习模型使用先进的图像分析准确地分类茶叶疾病. 这一突破增强了精准农业和茶叶植物疾病检测.
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:
- 由于各种疾病,茶叶生产面临重大损失.
- 准确和早期发现疾病对于有效管理至关重要.
- 传统的疾病识别方法可能是劳动密集型和主观的.
研究的目的:
- 开发和评估一个深度学习模型来对常见的茶叶疾病进行分类.
- 为了利用先进的图像分析进行自动化疾病诊断.
- 提高茶叶植物疾病检测的准确性和效率.
主要方法:
- 一个具有多层架构的深度学习模型被设计为256x256 RGB图像.
- 该模型包含卷积层,残余块,批量规范化和ReLU激活.
- 全球平均 聚合2D,掉落和密集层被用于特征提取和分类.
- 收集了4000张高分辨率茶叶图像的数据集,并用于培训和验证.
主要成果:
- 深度学习模型在识别茶叶疾病方面取得了显著的准确性.
- 该架构有效地提取复杂的模式,并处理空间信息.
- 剩余块有助于训练更深层的网络,减轻消失梯度的问题.
结论:
- 开发的深度学习模型为茶叶疾病分类提供了精确和自动化的解决方案.
- 这项研究为农业诊断的精度设定了新的基准.
- 这些发现为精准农业和疾病管理战略的进步铺平了道路.


