以人工智能驱动的植物疾病检测,采用定制的卷积神经网络
Sk Mahmudul Hassan1, Keshab Nath2, Michal Jasinski3,4
1School of Computer Engineering, Manipal Institute of Technology Bengaluru, Manipal Academy of Higher Education, Manipal, India.
Network (Bristol, England)
|August 1, 2025
概括
这项研究引入了一种轻量级的深度学习模型,用于识别作物疾病,使用优化基因算法 (GA) 的卷积神经网络 (CNN). 该模型在茶叶疾病上实现了高精度,证明了其在农业应用中的效率.
科学领域:
- 农业技术 农业技术
- 农业中的人工智能
- 机器学习用于作物监测.
背景情况:
- 深度学习模型在农业中越来越多地用于疾病识别和产量预测等任务.
- 一个重大挑战在于开发高效,轻量级和具有成本效益的深度学习模型,适合在资源有限的设备上部署.
研究的目的:
- 解决农业中对高效深度学习模型的需求.
- 提出一种由基因算法 (GA) 优化的卷积神经网络 (CNN) 架构,用于自动化超参数选择.
- 为了确保在小型设备上部署,以最小的计算开销确保高性能.
主要方法:
- 开发了一个新的卷积神经网络 (CNN) 架构.
- 利用遗传算法 (GA) 来自动选择关键的超参数 (例如过器的数量和大小).
- 创建了茶叶疾病的定制数据集,包括由害虫和病原体引起的疾病.
主要成果:
- 拟议的基于GA的CNN在定制茶叶疾病数据集上实现了97.6%的准确性.
- 该模型在外部数据集上显示出稳定性,在PlantVillage上达到96.99%,在叶病数据集上达到99%.
- 在准确性和参数效率方面,超过了几种最先进的深度学习模型.
结论:
- 优化了GA的CNN为作物疾病识别提供了高效和准确的解决方案.
- 该模型的轻量级设计使其适合在农业环境中的边缘设备上部署.
- 这种方法成功地自动化了超参数优化,降低了计算成本并提高了模型性能.
