一个自动化混合深度学习框架用于叶病的识别和分类
Chatla Subbarayudu1, Mohan Kubendiran2
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, 632 014, India.
Scientific reports
|July 23, 2025
概括
这项研究引入了一种自动化的深度学习模型,用于识别叶病,这对于提高水作物的产量和质量至关重要. 这种先进的系统达到98.52%的准确性,大大改善了农业疾病检测.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 农业在印度至关重要,农作物疾病导致大量的产量和质量损失.
- 快速识别病对于有效管理和提高生产率至关重要.
- 新技术,特别是深度学习,为农业挑战提供了潜在的解决方案.
研究的目的:
- 设计和提出一个自动化的深度学习模型,用于叶病的识别和分类.
- 通过先进的疾病检测技术提高农业生产力.
- 提高水疾病管理的准确性和效率.
主要方法:
- 使用了一个结构化的工作流:图像采集,预处理 (ROI选择,自适应值,K-means集群),特征提取 (MobileNetV3),特征选择 (GKSO-SA算法) 和分类 (CatBoost).
- 员工使用MobileNetV3进行转移学习,从叶图像中提取颜色,形状和纹理特征.
- 实现了混合特征选择算法 (成吉思汗鱼优化与模拟化) 以实现最佳特征识别.
主要成果:
- 拟议的深度学习模型在识别和分类叶疾病方面实现了98.52%的高精度.
- 与传统分类器相比,该系统表现出优越的性能.
- 使用精度,灵敏度和F1分数指标验证的性能.
结论:
- 开发的自动化深度学习模型对叶病的识别非常有效.
- 这项技术可以大大提高米种植效率和产量.
- 这些发现支持在农业中采用先进的人工智能技术来控制疾病.
