GAPNet:基于葡萄,果和土豆植物简化SqueezeNet的单种和多种植物叶病分类方法

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 农业对于国家经济和粮食安全至关重要.
• 植物疾病的早期检测对于作物产量和质量至关重要.
• 现有的植物疾病分类方法正在通过人工智能得到改进.

研究的目的:

• 开发一种简单,有效和轻量级的植物叶病疾病分类模型.
• 评估各种预训练的卷积神经网络 (CNN) 架构的性能.
• 提出一种新的简化CNN模型,GAPNet,用于增强疾病识别.

主要方法:

• 使用了七个先进的预训练CNN (VGG16,ResNet50,SqueezeNet,Xception,ShuffleNet,DenseNet121,MobileNetV2).这些CNN中使用的是最先进的CNN.
• 开发了GAPNet,这是一个基于SqueezeNet的简化模型,优化了速度和效率.
• 应用合成少数超采样技术 (SMOTE) 来解决数据不平衡.
• 在葡萄,果和马叶疾病数据集上测试了该模型.

主要成果:

• GAPNet实现了高精度:葡萄99.72%,果99.53%和土豆99.83%.
• 记录了99.64%的综合多植物分类准确率.
• 与其他最先进的方法相比,GAPNet表现优越.

结论:

• 轻量级的GAPNet模型为准确和高效的植物疾病分类提供了一个有希望的解决方案.
• 这种方法可以显著促进早期疾病诊断,改善农业产量.
• 该模型在多种植物物种中的有效性突显了其在农业中的广泛适用性.