单色叶子适应网络 (MLAN):一种通过单色成像来检测菜叶病的自适应方法

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:

• 农业生产率,特别是菜等蔬菜的生产率,对于经济增长和人类健康至关重要.
• 菜产量受到极端高温和植物疾病的威胁,降低了营养价值和可用性.
• 精确检测和分类菜叶病对于尽量减少农药使用和提高作物产量至关重要.

研究的目的:

• 开发和评估基于深度学习的对象检测模型,用于识别菜叶中的疾病.
• 提高菜种植疾病分类的准确性和效率.
• 通过精确的疾病识别,减少对化学农药的依赖.

主要方法:

• 基于DenseNet-121-DO架构,开发了一个自定义单色LeafAdaptNet (MLAN) 模型.
• 深度学习对象检测技术用于对菜叶的图像分析.
• 该模型使用Google-Colaboratory进行了训练和验证,用于分类不同的叶类型和疾病指标.

主要成果:

• 在分类菜叶状况方面,MLAN模型实现了99.10%的高准确率.
• 该模型显示平均平均精度 (mAP) 为98.16%,表明强大的检测能力.
• 该系统有效地区分了健康和生病的菜叶,以及其他看起来相似的叶子.

结论:

• 开发的深度学习模型显示了对准确有效地识别菜叶病的重大前景.
• 这项技术可以提高农业生产力,减少因植物疾病造成的经济损失.
• 实施这种系统可以通过优化农药的应用来促进可持续农业.