基于深度学习的自动诊断大米叶疾病使用组合CNN模型
Prameetha Pai1, S Amutha2, Seema Patil1
1Department of Computer Science & Engineering, B.M.S. College of Engineering, Bengaluru, India.
Scientific reports
|July 29, 2025
概括
这项研究引入了一种自动化的深度学习系统,用于诊断六种常见的叶疾病,改善作物管理. 开发的整体模型为实际农业应用提供了准确和可扩展的疾病识别.
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:
- 病严重威胁全球作物产量和粮食安全.
- 传统的病诊断方法往往是劳动密集型,耗时,需要专门的专业知识.
- 对于早期检测水疾病的有效,准确和可扩展的工具有着至关重要的需求.
研究的目的:
- 开发和评估基于深度学习的自动诊断系统,用于识别六种常见的叶疾病.
- 为了比较七个高级深度学习架构对大米疾病分类的性能.
- 创建一个整体模型,以提高诊断准确性和稳定性.
主要方法:
- 一个大规模的数据集的注释叶图像涵盖六种疾病被策划.
- 七个深度学习模型 (MobileNetV2,GoogleLeNet,EfficientNet,ResNet-34,DenseNet-121,VGG16,ShuffleNetV2) 被训练并进行了评估.
- 通过使用平均融合策略集成表现最佳的个体网络,构建了一个整体模型.
主要成果:
- 谷歌LeNet,DenseNet-121,ResNet-34和VGG16在准确性方面表现出卓越的表现,并减少了类混.
- 整体模型显示,与单个模型相比,错误分类率显著降低.
- 该系统实现了强大且可扩展的诊断功能,在各种环境数据上进行了验证.
结论:
- 深度学习,特别是组合方法,为自动化叶疾病诊断提供了强大的方法.
- 开发的系统为现实世界农业应用提供了可靠和可扩展的解决方案,有助于及时管理作物.
- 这项技术有可能提高作物生产率,并减轻米疾病造成的损失.
