使用深度卷积神经网络 (CNN) 进行基于集体的芝麻病检测和分类
Abenet Alazar Hailu1, Banchalem Chebudie Kassa2, Esubalew Asmare Desta2
1Department of Information Technology, College of Informatics, and University of Gondar, Gondar, Ethiopia. abenet365@gmail.com.
Scientific reports
|August 6, 2025
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的集体深度学习模型,以准确检测和分类植物病和细菌病等芝麻病,在精准农业中达到96.83%的准确率.
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:
- 芝麻种植面临着大量的产量和质量损失,原因是植物病和细菌病变等疾病.
- 准确和早期发现疾病对于有效管理和保持作物生产率至关重要.
研究的目的:
- 开发和评估基于集体的深度学习模型,用于检测和分类芝麻叶病.
- 利用多个卷积神经网络 (CNN) 架构来提高诊断准确性.
主要方法:
- 通过整合三个CNN架构构建了一个集合模型:ResNet-50,DenseNet-121和Xception.
- 这些模型在一个全面的芝麻叶图像数据集上进行了训练和验证,这些图像代表了健康和生病 (植物生长,细菌病变) 的状态.
主要成果:
- 整体模型在分类芝麻叶状况方面取得了96.83%的高整体准确性.
- 与单个模型相比,这种综合方法表现出优越的性能和稳定性.
结论:
- 集成深度学习模型为识别芝麻病提供了强大而准确的工具.
- 这种方法对精准农业有重大影响,使得及时干预和支持可持续的芝麻生产.
